1 Intro

Se presenta un analisis de la mortalidad por causas por provincias.

data <- readRDS("~/GitHub/dinamica_mortalidad/data_salidas/df_defunciones_oms_01_22.rds")
data_pob <- readRDS("~/GitHub/dinamica_mortalidad/data_poblacion/poblacion_final")
glimpse(data)
## Rows: 2,723,936
## Columns: 14
## $ Años                <chr> "2001-2004", "2001-2004", "2001-2004", "2001-2004"…
## $ Provincia           <chr> "Buenos Aires", "Buenos Aires", "Buenos Aires", "B…
## $ Departamento        <chr> "25 de Mayo", "25 de Mayo", "25 de Mayo", "25 de M…
## $ Lugar.de.ocurrencia <chr> "Desconocido", "Desconocido", "Desconocido", "Desc…
## $ Cobertura.médica    <chr> "Desconocido", "Desconocido", "Desconocido", "Desc…
## $ geocodigo           <chr> "6854", "6854", "6854", "6854", "6854", "6854", "6…
## $ geocodigo_provincia <chr> "6", "6", "6", "6", "6", "6", "6", "6", "6", "6", …
## $ gedad               <fct> Menor de 24, Menor de 24, Menor de 24, Menor de 24…
## $ sexo                <chr> "Mujer", "Mujer", "Mujer", "Mujer", "Mujer", "Muje…
## $ CIE10               <chr> "A419", "C56", "C959", "G98", "J690", "K566", "P22…
## $ casos               <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1,…
## $ grupo_oms           <chr> "Condiciones transmisibles, maternas, perinatales …
## $ grupo_oms2          <chr> "Enfermedades infecciosas y parasitarias", "Neopla…
## $ anio                <dbl> 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 20…
glimpse(data_pob)
## Rows: 67,584
## Columns: 6
## $ anio           <int> 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2…
## $ geocodigo      <dbl> 2000, 2000, 2000, 2000, 2000, 2000, 6007, 6007, 6007, 6…
## $ geocodigo_prov <chr> "2", "2", "2", "2", "2", "2", "6", "6", "6", "6", "6", …
## $ sexo           <chr> "Varón", "Varón", "Varón", "Mujer", "Mujer", "Mujer", "…
## $ gedad          <chr> "Menor de 24", "25 a 69", "70 y mas", "Menor de 24", "2…
## $ pob_est        <dbl> 441499, 696784, 120175, 442083, 840839, 234758, 3206, 4…

Analisis de Mortalidad por causa a escala jurisdiccional. Se analizan por edad y sexo, la mortalidad por causas en grandes grupos en las Provincias Argentinas

2 Provincias

Se conforma por 23 provincias mas la Ciudad Aut de Buenos Aires. Fueron omitidos todos los casos con residencia desconocida, y fuera del pais.

unique(data$Provincia)
##  [1] "Buenos Aires"                "Catamarca"                  
##  [3] "Chaco"                       "Chubut"                     
##  [5] "Ciudad Aut. de Buenos Aires" "Corrientes"                 
##  [7] "Córdoba"                     "Entre Ríos"                 
##  [9] "Formosa"                     "Jujuy"                      
## [11] "La Pampa"                    "La Rioja"                   
## [13] "Mendoza"                     "Misiones"                   
## [15] "Neuquén"                     "Río Negro"                  
## [17] "Salta"                       "San Juan"                   
## [19] "San Luis"                    "Santa Cruz"                 
## [21] "Santa Fe"                    "Santiago del Estero"        
## [23] "Tierra del Fuego"            "Tucumán"                    
## [25] NA

2.1 La Poblacion

Se tiene una tabla de poblacion por provincias segun edad y sexo, que resulta de la interpolacion spline por edad y sexo a nivel departamental de la poblacion entre las rondas censales 200-2010-2022.

var_agg_prov <- c("anio", "gedad", "sexo", "geocodigo_prov")

# n_distinct(unique(data_pob$geocodigo_prov))

data_pob |> 
  group_by_at(var_agg_prov) |> 
  summarise( pob = round(sum(pob_est, na.rm = TRUE),0)) |> 
  ungroup() |> 
  left_join(lista_provs, by=c("geocodigo_prov"="geocod")) |> 
  left_join(regiones, by=c("geocodigo_prov" = "code_prov")) |> 
  select(geocodigo_prov, region, label, name_simp, anio, gedad, sexo, pob) |> 
  arrange(geocodigo_prov)-> data_pob_prov
head(data_pob_prov)
## # A tibble: 6 × 8
##   geocodigo_prov region label     name_simp  anio gedad       sexo    pob
##   <chr>          <chr>  <chr>     <chr>     <int> <chr>       <chr> <dbl>
## 1 10             NOA    Catamarca Catamarca  2001 25 a 69     Mujer 71671
## 2 10             NOA    Catamarca Catamarca  2001 25 a 69     Varón 70895
## 3 10             NOA    Catamarca Catamarca  2001 70 y mas    Mujer  8167
## 4 10             NOA    Catamarca Catamarca  2001 70 y mas    Varón  5966
## 5 10             NOA    Catamarca Catamarca  2001 Menor de 24 Mujer 86728
## 6 10             NOA    Catamarca Catamarca  2001 Menor de 24 Varón 88871
glimpse(data_pob_prov)
## Rows: 3,168
## Columns: 8
## $ geocodigo_prov <chr> "10", "10", "10", "10", "10", "10", "10", "10", "10", "…
## $ region         <chr> "NOA", "NOA", "NOA", "NOA", "NOA", "NOA", "NOA", "NOA",…
## $ label          <chr> "Catamarca", "Catamarca", "Catamarca", "Catamarca", "Ca…
## $ name_simp      <chr> "Catamarca", "Catamarca", "Catamarca", "Catamarca", "Ca…
## $ anio           <int> 2001, 2001, 2001, 2001, 2001, 2001, 2002, 2002, 2002, 2…
## $ gedad          <chr> "25 a 69", "25 a 69", "70 y mas", "70 y mas", "Menor de…
## $ sexo           <chr> "Mujer", "Varón", "Mujer", "Varón", "Mujer", "Varón", "…
## $ pob            <dbl> 71671, 70895, 8167, 5966, 86728, 88871, 73115, 72469, 8…

Se observa la distribucion por edades de las poblaciones provinciales segun regiones.

data_pob_prov |> 
  filter(anio == 2018) |> 
  mutate(
    gedad = factor(gedad, levels = c( "70 y mas" , "25 a 69","Menor de 24"), ordered = TRUE),
  ) |> 
  ggplot(aes( fct_reorder(factor(name_simp), pob), pob, fill = gedad))+
  geom_col(position = "fill")+
  # scale_y_continuous(labels = scales::label_number(scale = 1e-6, suffix = "M"))+
  theme(
    axis.text.x =  element_text(angle = 45, hjust = 1, vjust = 1),
    legend.position = "top",
    legend.text = element_text(size = 8)
  )+
  labs(
    x = "Provincia",
    y = "Poblacion en millones",
    title = "Poblacion por provincias segun edad en grandes grupos",
    subtitle = "(2018)",
    fill = "Edades"
  )+
  guides(fill=guide_legend(nrow = 1))+
  facet_wrap(~region, scale="free", ncol=5)

Esto es de acuerdo a la distribucion, y se observan diferencias como las del Centro con mayor proporcion de mayores de 70, asi como algunas Patagonicas. por el contrario las provincias de NOA y NEA con mas Menores de 24. Sin embargo estas estructuras se dan en relaciones de tamaño muy diferentes. Solo la Provincia de Bs As representa casi el 40% de la poblacion nacional y junto a las 4 siguientes provincias en tamaño explican mas del 60% de la poblacion. Si se considera las seis primeras se tiene casi el 70% de la población.

data_pob_prov |> 
  filter(anio == 2021) |> 
  group_by(geocodigo_prov, label) |> 
  summarise(pob = sum(pob)) |> 
  arrange(desc(pob)) |> 
  ungroup() |> 
  mutate(
    pct = pob/sum(pob),
    pct_acum = cumsum(pct),
    porcent = scales::percent(pct, accuracy = 0.1),
    porcent_ac = scales::percent(pct_acum)
  ) |> 
  select(1:3, 6:7) |> 
  DT::datatable(
    caption = "Poblacion de Provincias argentinas,por tamaño, porcentaje y porcentaje acumulado (estimacion 2021)"
  )

Para visualizar mejor estas diferencias ademas de la estructura por edad, debe considerarse el tamaño. Por lo que la distribucion por edad y sexo segun jurisdicciones se ve así:

data_pob_prov |> 
  filter(anio == 2021) |> 
  mutate(
    gedad = factor(gedad, levels = c( "70 y mas" , "25 a 69","Menor de 24"), ordered = TRUE),
  ) |> 
  ggplot(aes( fct_reorder(factor(name_simp), pob), pob, fill = gedad))+
  geom_col(position = "stack")+
  scale_y_continuous(labels = scales::label_number(scale = 1e-6, suffix = "M"))+
  # scale_y_log10()+
  theme(
    axis.text.x =  element_text(angle = 45, hjust = 1, vjust = 1),
    legend.position = "top",
    legend.text = element_text(size = 8)
  )+
  labs(
    x = "Provincia",
    y = "Poblacion en millones",
    title = "Poblacion por provincias segun edad en grandes grupos",
    subtitle = "(2018)",
    fill = "Edades"
  )+
  guides(fill=guide_legend(nrow = 1))+
  facet_wrap(~region, scales ="free_x", ncol=5)

Esto implica que una clasificacion por tamaño sea necesaria, ademas de considerar alternativamente a la region.

data_pob_prov |> 
  filter(anio == 2021) |> 
  group_by(geocodigo_prov) |> 
  summarise(pob = sum(pob)) |> 
  arrange(desc(pob)) |> 
  ungroup() -> vector_pob

data_pob_prov |> 
  filter(anio == 2021) |> 
  group_by(geocodigo_prov, label) |> 
  summarise(pob = sum(pob)) |> 
  arrange(desc(pob)) |> 
  ungroup() |> 
  mutate(
    cuartil = 
    case_when(
      pob > 0 & pob <= 573764   ~ "Pequeñas",
      pob > 573764   & pob <= 924946  ~ "Medianas",
      pob > 924946  & pob <= 1491011  ~ "Grandes",
      pob > 1491011   ~ "Mas Grandes",
    )) -> data_pob_prov_size

quants <- quantile(vector_pob$pob, probs = c(.25, .50, .75))
quants
##       25%       50%       75% 
##  573764.2  924946.5 1491011.0
data_pob_prov |> 
  filter(anio == 2021) |> 
  left_join(data_pob_prov_size, by=c("geocodigo_prov")) |> 
  mutate(
    gedad = factor(gedad, levels = c( "70 y mas" , "25 a 69","Menor de 24"), ordered = TRUE),
    cuartil = factor(cuartil, levels = c("Pequeñas", "Medianas", "Grandes", "Mas Grandes"), ordered = TRUE)
  ) |> 
  ggplot(aes( fct_reorder(factor(name_simp), pob.x), pob.x, fill = gedad))+
  geom_col(position = "stack")+
  scale_y_continuous(labels = scales::label_number(scale = 1e-6, suffix = "M"))+
  # scale_y_log10()+
  theme(
    axis.text.x =  element_text(angle = 45, hjust = 1, vjust = 1),
    legend.position = "top",
    legend.text = element_text(size = 8),
    strip.text.y = element_text(angle = 0)
  )+
  labs(
    x = "Provincia",
    y = "Poblacion en millones",
    title = "Poblacion por provincias segun edad en grandes grupos",
    subtitle = "(2018)",
    fill = "Edades"
  )+
  guides(fill=guide_legend(nrow = 1))+
  facet_grid(cuartil~region, scales ="free")

Esta distribucion por tamaños de la poblacion, muestra que en la comparacion por regiones, ciertas provincias son relevantes en la determinacion de la pauta de las regiones, que son los grupos que se usaron previamente. Incluso al observar las distribucion por grupos de edad, se observa que son homogeneas por categoria de tamaño, destacandose solo la Ciudad Autonoma de Buenos Aires, con la mayor proporcion de mayores de 70 y menor de las edades de 0 a 24.

data_pob_prov |> 
  filter(anio == 2021) |> 
  left_join(data_pob_prov_size, by=c("geocodigo_prov")) |> 
  mutate(
    gedad = factor(gedad, levels = c( "70 y mas" , "25 a 69","Menor de 24"), ordered = TRUE),
      cuartil = factor(cuartil, levels = c("Pequeñas", "Medianas", "Grandes", "Mas Grandes"), ordered = TRUE)
  ) |> 
  ggplot(aes( fct_reorder(factor(name_simp), pob.x), pob.x, fill = gedad))+
  geom_col(position = "fill")+
  scale_y_continuous(n.breaks = 6, labels = c(0, .2, .4,  .6, .8, 1))+
  geom_hline(yintercept = .3, colour = "burlywood3")+
  geom_hline(yintercept = .4, colour = "burlywood3")+
  geom_hline(yintercept = .9, colour = "slateblue4")+
  # scale_y_continuous(labels = scales::label_number(scale = 1e-6, suffix = "M"))+
  # scale_y_log10()+
  theme(
    axis.text.x =  element_text(angle = 45, hjust = 1, vjust = 1),
    legend.position = "top",
    legend.text = element_text(size = 8),
    strip.text.y = element_text(angle = 0)
  )+
  labs(
    x = "Provincia",
    y = "Poblacion en millones",
    title = "Poblacion por provincias segun edad en grandes grupos",
    subtitle = "(2018)",
    fill = "Edades"
  )+
  guides(fill=guide_legend(nrow = 1))+
  facet_grid(~cuartil, scales ="free")

Se retoman las comparaciones por tamaño de poblacion de las provincias al final.

2.2 Las defunciones

Se tiene una tabla de defunciones por provincias, segun causas, por edad y sexo.

var_agg_def_prov <- c("anio", "Años", "gedad", "sexo", "geocodigo_provincia", "grupo_oms")
data |> 
  filter(!is.na(gedad), !is.na(sexo), !is.na(grupo_oms), !is.na(geocodigo_provincia)) |> 
  group_by_at(var_agg_def_prov) |> 
  summarise(
    casos = sum(casos, na.rm=TRUE)
  ) |> 
  ungroup() -> data_def_prov
  
data_def_prov |> 
  rename(geocodigo_prov = geocodigo_provincia) -> data_def_prov
head(data_def_prov)
## # A tibble: 6 × 7
##    anio Años      gedad       sexo  geocodigo_prov grupo_oms               casos
##   <dbl> <chr>     <fct>       <chr> <chr>          <chr>                   <int>
## 1  2003 2001-2004 Menor de 24 Mujer 10             Condiciones transmisib…   207
## 2  2003 2001-2004 Menor de 24 Mujer 10             Enfermedades mal defin…    23
## 3  2003 2001-2004 Menor de 24 Mujer 10             Enfermedades no transm…   136
## 4  2003 2001-2004 Menor de 24 Mujer 10             Lesiones                   54
## 5  2003 2001-2004 Menor de 24 Mujer 14             Condiciones transmisib…   797
## 6  2003 2001-2004 Menor de 24 Mujer 14             Enfermedades mal defin…   142

2.2.1 Distribucion

Se estima que las defunciones, o conteo de casos (por unidad de area en un tiempo dado), sigue una distribucion de Poisson.

2.2.1.1 Normal

Si se observa la frecuencia de casos por trienios del total de registros, excepto el trienio de la Pandemia

data_def_prov |> 
  filter(anio !=2021) |> 
  ggplot(aes(casos, colour = as.character(anio)))+
  geom_density(alpha=.5)+
  facet_wrap(~sexo+grupo_oms, scale="free", ncol=4)

Se observa que existen valores altos mas o menos frecuentes. El causas externas la distribucion muestra dos picos. Mientras que en mal definidas hay mayor cantidad en valores mas bajos en 2018 que antes, pero la forma es similar.

2.2.1.2 Escala Log

Si se observa la frecuencia de casos por trienios del total en escala Log.

data_def_prov |> 
  filter(anio !=2021) |> 
  ggplot(aes(casos, colour = as.character(anio)))+
  geom_density(alpha=.5)+
  scale_x_log10()+
  facet_wrap(~sexo+grupo_oms, scale="free", ncol=4)

2.3 Estimacion de la Razon

La Razon de mortalidad del trienio se calcula como la razon entre las defunciones del trienio por la poblacion estimada al año central de trienio. Esto permite conservar la mayor cantidad de eventos, y reducir la variabilidad extrema.

\[ \text{Razón}_{\text{trienio}} = \frac{E_{t-1} + E_{t} + E_{t+1}}{P_{t}} \times 100{,}000 \]

Donde \(E\) son los eventos, del periodo ${t} $ y \(P{t}\) es la poblacion estimada al año central del trienio.

data_def_prov |>
  left_join(data_pob_prov, by=c("anio", "gedad","sexo", "geocodigo_prov")) |> 
  mutate(
    rm = round(casos/pob, 7), # Razon de mortalidad
    rmxm = round(rm * 100000,0), # Razon x 100.000
    ici_rmxm = round(qchisq(0.025, 2 * casos) / (2 * pob) * 100000,1), #intervalo inferior
    ics_rmxm = round(qchisq(0.975, 2 * casos + 2) / (2 * pob) * 100000,1) # intervalo superior
  )-> data_mort_prov
DT::datatable(head(data_mort_prov, n=30))

La estimacion de la razon, y limites con un intervalo de confianz, permiten comparar si la diferencia entre provincias en la razon de mortalidad, es estadistica significativa.

summary(data_mort_prov$ics_rmxm)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     2.0    93.3   217.2  2052.9  1275.0 31160.5
summary(data_mort_prov$rmxm)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##       1      77     188    1938    1189   30777
summary(data_mort_prov$ici_rmxm)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     0.0    63.4   162.8  1832.9  1097.3 30398.0

2.3.1 Mortalidad por edades

Con este conjunto de datos:

glimpse(data_mort_prov)
## Rows: 4,013
## Columns: 15
## $ anio           <dbl> 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2…
## $ Años           <chr> "2001-2004", "2001-2004", "2001-2004", "2001-2004", "20…
## $ gedad          <chr> "Menor de 24", "Menor de 24", "Menor de 24", "Menor de …
## $ sexo           <chr> "Mujer", "Mujer", "Mujer", "Mujer", "Mujer", "Mujer", "…
## $ geocodigo_prov <chr> "10", "10", "10", "10", "14", "14", "14", "14", "18", "…
## $ grupo_oms      <chr> "Condiciones transmisibles, maternas, perinatales y nut…
## $ casos          <int> 207, 23, 136, 54, 797, 142, 893, 382, 651, 53, 355, 172…
## $ region         <chr> "NOA", "NOA", "NOA", "NOA", "CENTRO", "CENTRO", "CENTRO…
## $ label          <chr> "Catamarca", "Catamarca", "Catamarca", "Catamarca", "Có…
## $ name_simp      <chr> "Catamarca", "Catamarca", "Catamarca", "Catamarca", "Có…
## $ pob            <dbl> 86704, 86704, 86704, 86704, 672863, 672863, 672863, 672…
## $ rm             <dbl> 0.0023874, 0.0002653, 0.0015686, 0.0006228, 0.0011845, …
## $ rmxm           <dbl> 239, 27, 157, 62, 118, 21, 133, 57, 267, 22, 146, 71, 1…
## $ ici_rmxm       <dbl> 207.3, 16.8, 131.6, 46.8, 110.4, 17.8, 124.2, 51.2, 247…
## $ ics_rmxm       <dbl> 273.6, 39.8, 185.5, 81.3, 127.0, 24.9, 141.7, 62.8, 288…

…En adelante se consignan las tablas separadas en grupos de edad de la Razon de mortalidad del trienio de las provincias agrupadas por region, segun causas por sexo. Esto permite una mejor visualizacion para comparar casos. Se debe en cada caso, desplegar la tabla. Donde los Grupo 1 al Grupo 4 corresponden a Condiciones transmisibles, maternas, perinatales y nutricionales, Enfermedades mal definidas, Enfermedades no transmisibles, Lesiones respectivamente.

Luego se analizan graficamente la evolucion de la serie.

2.3.2 Por edades

# write.csv2(data_mort_prov, "~/GitHub/dinamica_mortalidad/excel_tablas/data_mort_provincias.csv", fileEncoding = "latin1")
2.3.2.1 Jovenes
2.3.2.1.1 Grupo1
Ver tabla
data_mort_prov |> 
  filter(anio != 2003, gedad == "Menor de 24", grupo_oms=="Condiciones transmisibles, maternas, perinatales y nutricionales") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Condiciones transmisibles, maternas, perinatales y nutricionales") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")
Condiciones transmisibles, maternas, perinatales y nutricionales
region name_simp sexo 2005-2007 2008-2010 2011-2013 2014-2016 2017-2019 2020-2022
CENTRO Bs As Mujer 92 96 88 77 63 48
CABA Mujer 70 64 66 54 48 34
Córdoba Mujer 76 81 67 60 55 43
Entre Ríos Mujer 82 85 74 73 70 57
La Pampa Mujer 80 86 73 59 52 46
Santa Fe Mujer 81 80 76 71 59 51
Bs As Varón 119 115 108 98 80 61
CABA Varón 85 87 93 85 59 37
Córdoba Varón 99 101 80 81 71 51
Entre Ríos Varón 120 112 95 97 70 70
La Pampa Varón 107 120 104 79 77 47
Santa Fe Varón 104 99 104 88 72 69
CUYO Mendoza Mujer 86 76 64 63 44 35
San Juan Mujer 111 95 94 68 71 48
San Luis Mujer 127 97 58 56 52 47
Mendoza Varón 101 104 78 79 68 47
San Juan Varón 149 124 85 96 80 68
San Luis Varón 130 130 65 94 54 60
NEA Chaco Mujer 163 162 111 104 91 98
Corrientes Mujer 134 148 133 130 100 88
Formosa Mujer 265 207 201 145 142 123
Misiones Mujer 129 126 102 79 71 72
Chaco Varón 205 176 111 140 124 106
Corrientes Varón 179 163 159 156 139 106
Formosa Varón 272 241 220 182 166 165
Misiones Varón 175 142 129 115 92 88
NOA Catamarca Mujer 120 132 111 76 69 48
Jujuy Mujer 120 110 87 100 69 55
La Rioja Mujer 97 116 128 104 88 79
Salta Mujer 152 142 141 136 99 80
Santiago Mujer 108 124 90 84 62 60
Tucumán Mujer 119 131 125 107 98 89
Catamarca Varón 147 174 96 91 55 52
Jujuy Varón 121 129 129 94 99 74
La Rioja Varón 155 132 132 121 91 118
Salta Varón 176 178 162 141 116 85
Santiago Varón 129 141 128 115 86 66
Tucumán Varón 148 168 159 138 123 92
PATAGONIA Chubut Mujer 77 93 80 80 55 48
Neuquén Mujer 73 78 65 68 34 23
Río Negro Mujer 66 70 70 59 51 46
Santa Cruz Mujer 110 72 48 78 66 58
Tierra del Fuego Mujer 67 57 75 45 59 27
Chubut Varón 112 99 104 80 69 57
Neuquén Varón 87 74 70 80 48 38
Río Negro Varón 83 100 96 79 75 64
Santa Cruz Varón 130 125 105 108 79 53
Tierra del Fuego Varón 104 57 65 94 73 52
2.3.2.1.2 Grupo2
Ver tabla
data_mort_prov |> 
  filter(anio != 2003, gedad == "Menor de 24", grupo_oms=="Enfermedades no transmisibles") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Enfermedades no transmisibles") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")
Enfermedades no transmisibles
region name_simp sexo 2005-2007 2008-2010 2011-2013 2014-2016 2017-2019 2020-2022
CENTRO Bs As Mujer 103 100 100 91 78 62
CABA Mujer 101 99 98 90 73 54
Córdoba Mujer 93 91 80 80 76 58
Entre Ríos Mujer 90 93 80 88 84 66
La Pampa Mujer 84 83 73 78 61 47
Santa Fe Mujer 84 81 84 82 77 68
Bs As Varón 123 124 120 109 98 75
CABA Varón 131 134 136 109 87 72
Córdoba Varón 105 105 99 95 83 70
Entre Ríos Varón 118 115 105 108 98 82
La Pampa Varón 97 105 98 89 77 47
Santa Fe Varón 104 113 94 103 94 82
CUYO Mendoza Mujer 95 94 87 93 71 65
San Juan Mujer 119 103 93 85 82 61
San Luis Mujer 108 90 69 91 82 56
Mendoza Varón 101 112 102 95 88 69
San Juan Varón 137 122 124 108 89 80
San Luis Varón 118 106 92 103 87 83
NEA Chaco Mujer 131 120 112 127 114 108
Corrientes Mujer 93 97 102 93 84 77
Formosa Mujer 134 147 132 134 107 85
Misiones Mujer 94 91 102 106 104 92
Chaco Varón 145 144 144 137 150 119
Corrientes Varón 121 120 122 120 114 90
Formosa Varón 167 164 159 168 139 120
Misiones Varón 114 126 109 140 115 102
NOA Catamarca Mujer 90 88 57 100 99 57
Jujuy Mujer 110 100 86 80 62 61
La Rioja Mujer 91 101 84 45 84 55
Salta Mujer 97 106 117 94 93 73
Santiago Mujer 83 86 69 69 80 69
Tucumán Mujer 91 86 91 101 83 67
Catamarca Varón 95 77 93 106 93 77
Jujuy Varón 113 98 104 102 83 69
La Rioja Varón 120 113 93 89 86 77
Salta Varón 106 135 125 118 93 92
Santiago Varón 85 93 76 101 81 81
Tucumán Varón 114 100 110 110 105 80
PATAGONIA Chubut Mujer 91 89 76 54 62 47
Neuquén Mujer 87 86 91 100 65 58
Río Negro Mujer 70 93 81 68 77 57
Santa Cruz Mujer 104 66 82 64 55 70
Tierra del Fuego Mujer 97 53 61 88 62 27
Chubut Varón 115 100 98 75 77 63
Neuquén Varón 99 103 103 88 91 64
Río Negro Varón 95 109 99 103 85 80
Santa Cruz Varón 135 112 125 125 72 84
Tierra del Fuego Varón 85 121 78 110 73 58
2.3.2.1.3 Grupo3
Ver tabla
data_mort_prov |> 
  filter(anio != 2003, gedad == "Menor de 24", grupo_oms=="Lesiones" ) |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Lesiones") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")
Lesiones
region name_simp sexo 2005-2007 2008-2010 2011-2013 2014-2016 2017-2019 2020-2022
CENTRO Bs As Mujer 38 36 38 31 30 25
CABA Mujer 33 26 25 20 17 10
Córdoba Mujer 43 37 35 33 34 28
Entre Ríos Mujer 36 39 42 30 30 24
La Pampa Mujer 43 45 51 45 52 28
Santa Fe Mujer 44 45 50 44 39 38
Bs As Varón 124 132 140 125 101 79
CABA Varón 94 81 95 82 53 39
Córdoba Varón 129 121 126 117 108 85
Entre Ríos Varón 132 134 154 124 108 84
La Pampa Varón 120 153 130 110 100 82
Santa Fe Varón 162 185 210 204 163 145
CUYO Mendoza Mujer 58 62 49 47 40 28
San Juan Mujer 44 43 50 46 26 37
San Luis Mujer 63 48 49 46 45 42
Mendoza Varón 173 165 165 153 124 83
San Juan Varón 147 126 176 137 113 80
San Luis Varón 122 122 147 136 143 100
NEA Chaco Mujer 45 54 51 57 53 49
Corrientes Mujer 38 44 44 30 37 28
Formosa Mujer 55 62 64 67 57 49
Misiones Mujer 65 44 47 46 52 34
Chaco Varón 144 155 174 183 170 156
Corrientes Varón 124 135 142 136 133 93
Formosa Varón 161 151 197 200 177 131
Misiones Varón 128 140 161 154 130 126
NOA Catamarca Mujer 45 54 57 56 56 43
Jujuy Mujer 85 73 91 67 70 52
La Rioja Mujer 49 57 53 29 34 38
Salta Mujer 61 53 57 55 56 46
Santiago Mujer 37 47 44 42 44 30
Tucumán Mujer 46 44 38 47 38 31
Catamarca Varón 114 112 136 172 182 106
Jujuy Varón 156 151 197 168 166 105
La Rioja Varón 142 136 173 158 128 117
Salta Varón 132 153 175 163 157 129
Santiago Varón 110 118 167 172 142 104
Tucumán Varón 122 130 172 165 198 133
PATAGONIA Chubut Mujer 42 52 41 35 31 24
Neuquén Mujer 57 50 46 37 35 32
Río Negro Mujer 47 36 38 41 37 32
Santa Cruz Mujer 38 61 58 48 37 32
Tierra del Fuego Mujer 60 46 54 39 37 47
Chubut Varón 164 173 190 146 120 108
Neuquén Varón 143 163 143 154 131 107
Río Negro Varón 140 148 138 129 133 105
Santa Cruz Varón 150 155 160 140 107 116
Tierra del Fuego Varón 145 143 102 91 73 98
2.3.2.1.4 Grupo4
Ver tabla
data_mort_prov |> 
  filter(anio != 2003, gedad == "Menor de 24", grupo_oms=="Enfermedades mal definidas") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Enfermedades mal definidas") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")
Enfermedades mal definidas
region name_simp sexo 2005-2007 2008-2010 2011-2013 2014-2016 2017-2019 2020-2022
CENTRO Bs As Mujer 9 11 9 9 7 5
CABA Mujer 3 4 1 1 2 2
Córdoba Mujer 11 15 15 14 13 10
Entre Ríos Mujer 12 16 14 8 6 12
La Pampa Mujer 2 2 NA NA 2 NA
Santa Fe Mujer 17 10 10 9 11 9
Bs As Varón 12 16 11 13 11 6
CABA Varón 3 3 3 2 3 3
Córdoba Varón 21 24 25 20 18 15
Entre Ríos Varón 30 23 24 20 19 31
La Pampa Varón 1 NA 2 3 8 5
Santa Fe Varón 23 20 20 14 20 13
CUYO Mendoza Mujer 2 2 1 2 4 6
San Juan Mujer NA 1 1 1 6 4
San Luis Mujer NA NA NA 3 NA 3
Mendoza Varón 2 4 2 2 7 7
San Juan Varón 5 1 2 4 5 7
San Luis Varón 1 1 1 1 1 3
NEA Chaco Mujer 8 16 17 14 8 14
Corrientes Mujer 9 13 10 12 13 8
Formosa Mujer 8 6 7 10 8 12
Misiones Mujer 14 12 10 3 3 1
Chaco Varón 19 23 21 18 17 22
Corrientes Varón 17 17 14 19 18 17
Formosa Varón 17 13 9 14 7 6
Misiones Varón 23 24 12 3 2 2
NOA Catamarca Mujer 21 10 13 23 11 7
Jujuy Mujer 15 8 9 6 7 12
La Rioja Mujer 12 14 11 6 6 7
Salta Mujer 9 5 3 2 3 5
Santiago Mujer 17 22 10 16 14 12
Tucumán Mujer 6 8 3 4 5 5
Catamarca Varón 11 16 25 20 22 5
Jujuy Varón 14 8 16 12 9 15
La Rioja Varón 15 21 24 11 15 14
Salta Varón 11 7 3 2 9 6
Santiago Varón 28 21 21 23 16 15
Tucumán Varón 7 15 5 6 4 8
PATAGONIA Chubut Mujer 2 8 3 4 6 13
Neuquén Mujer 2 1 2 2 2 2
Río Negro Mujer 11 3 5 9 4 4
Santa Cruz Mujer NA 8 3 5 2 5
Tierra del Fuego Mujer NA 4 NA NA 3 NA
Chubut Varón 6 8 10 8 11 11
Neuquén Varón NA 4 2 2 10 6
Río Negro Varón 11 7 10 10 9 11
Santa Cruz Varón 5 3 6 1 4 NA
Tierra del Fuego Varón NA 4 3 3 6 3
2.3.2.2 Edades centrales
2.3.2.2.1 Grupo1
Ver tabla
data_mort_prov |> 
  filter(anio != 2003, gedad == "25 a 69", grupo_oms=="Condiciones transmisibles, maternas, perinatales y nutricionales") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Condiciones transmisibles, maternas, perinatales y nutricionales") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")
Condiciones transmisibles, maternas, perinatales y nutricionales
region name_simp sexo 2005-2007 2008-2010 2011-2013 2014-2016 2017-2019 2020-2022
CENTRO Bs As Mujer 112 124 123 133 136 348
CABA Mujer 133 86 82 106 89 237
Córdoba Mujer 63 75 76 86 80 245
Entre Ríos Mujer 83 93 100 99 82 226
La Pampa Mujer 65 85 98 94 76 229
Santa Fe Mujer 78 92 91 103 99 326
Bs As Varón 191 205 196 211 212 606
CABA Varón 270 181 159 191 178 540
Córdoba Varón 116 131 144 142 142 452
Entre Ríos Varón 133 165 188 169 135 423
La Pampa Varón 106 160 140 147 144 428
Santa Fe Varón 143 158 158 186 162 550
CUYO Mendoza Mujer 67 51 56 72 62 262
San Juan Mujer 143 117 126 134 98 279
San Luis Mujer 106 106 109 108 102 256
Mendoza Varón 106 99 94 112 104 443
San Juan Varón 202 168 154 175 128 442
San Luis Varón 177 153 168 161 134 444
NEA Chaco Mujer 152 149 142 138 163 454
Corrientes Mujer 132 142 104 103 99 255
Formosa Mujer 119 165 166 188 173 398
Misiones Mujer 117 113 129 113 113 267
Chaco Varón 200 259 227 248 250 771
Corrientes Varón 173 202 177 174 171 442
Formosa Varón 166 242 269 273 239 681
Misiones Varón 161 170 221 173 184 462
NOA Catamarca Mujer 85 113 120 131 115 307
Jujuy Mujer 140 145 165 161 143 380
La Rioja Mujer 156 175 173 157 124 443
Salta Mujer 146 153 150 150 152 309
Santiago Mujer 137 151 128 137 131 339
Tucumán Mujer 114 100 131 162 161 422
Catamarca Varón 114 165 182 193 144 430
Jujuy Varón 247 260 268 258 244 713
La Rioja Varón 201 225 255 214 169 707
Salta Varón 276 283 251 257 265 569
Santiago Varón 204 232 214 202 205 516
Tucumán Varón 147 153 182 224 247 717
PATAGONIA Chubut Mujer 99 99 77 85 93 296
Neuquén Mujer 53 59 49 43 37 292
Río Negro Mujer 53 60 47 53 76 315
Santa Cruz Mujer 93 128 107 119 96 294
Tierra del Fuego Mujer 97 53 70 63 55 188
Chubut Varón 174 153 120 147 152 489
Neuquén Varón 86 77 108 86 85 564
Río Negro Varón 89 103 104 110 116 593
Santa Cruz Varón 136 179 169 129 126 587
Tierra del Fuego Varón 66 103 98 123 90 502
2.3.2.2.2 Grupo2
Ver tabla
data_mort_prov |> 
  filter(anio != 2003, gedad == "25 a 69", grupo_oms=="Enfermedades no transmisibles") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Enfermedades no transmisibles") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")
Enfermedades no transmisibles
region name_simp sexo 2005-2007 2008-2010 2011-2013 2014-2016 2017-2019 2020-2022
CENTRO Bs As Mujer 871 840 845 843 823 810
CABA Mujer 881 854 828 797 711 675
Córdoba Mujer 888 848 846 829 793 774
Entre Ríos Mujer 843 813 766 790 738 694
La Pampa Mujer 822 767 809 715 651 697
Santa Fe Mujer 869 817 800 817 742 742
Bs As Varón 1546 1433 1410 1370 1311 1288
CABA Varón 1529 1459 1353 1300 1158 1056
Córdoba Varón 1554 1437 1368 1307 1211 1172
Entre Ríos Varón 1618 1475 1407 1347 1227 1106
La Pampa Varón 1683 1449 1428 1363 1182 1086
Santa Fe Varón 1568 1455 1345 1326 1187 1123
CUYO Mendoza Mujer 831 859 852 877 805 762
San Juan Mujer 911 929 872 836 793 771
San Luis Mujer 845 880 847 734 727 814
Mendoza Varón 1345 1339 1326 1240 1196 1129
San Juan Varón 1461 1371 1319 1246 1241 1136
San Luis Varón 1457 1366 1335 1353 1215 1228
NEA Chaco Mujer 921 879 855 903 902 905
Corrientes Mujer 872 896 814 797 812 729
Formosa Mujer 915 940 940 946 957 864
Misiones Mujer 832 845 871 921 859 895
Chaco Varón 1578 1454 1485 1499 1445 1480
Corrientes Varón 1382 1338 1330 1305 1228 1109
Formosa Varón 1375 1476 1432 1531 1492 1359
Misiones Varón 1313 1309 1374 1475 1432 1368
NOA Catamarca Mujer 738 800 769 717 714 756
Jujuy Mujer 789 758 739 660 637 593
La Rioja Mujer 766 732 689 725 774 663
Salta Mujer 746 827 789 814 779 750
Santiago Mujer 761 681 676 700 702 668
Tucumán Mujer 803 820 853 860 826 774
Catamarca Varón 1153 1201 1145 1159 1150 1101
Jujuy Varón 1178 1156 1056 982 991 908
La Rioja Varón 1066 1175 1150 1129 1201 982
Salta Varón 1156 1291 1302 1317 1182 1085
Santiago Varón 1210 1224 1106 1144 1101 1005
Tucumán Varón 1241 1274 1310 1320 1216 1133
PATAGONIA Chubut Mujer 741 670 710 723 646 585
Neuquén Mujer 678 677 673 643 652 633
Río Negro Mujer 684 696 687 732 677 681
Santa Cruz Mujer 675 646 559 621 723 722
Tierra del Fuego Mujer 576 594 604 588 564 524
Chubut Varón 1358 1247 1296 1217 1080 988
Neuquén Varón 1193 1154 1098 1136 1026 977
Río Negro Varón 1204 1165 1121 1113 1088 1092
Santa Cruz Varón 1307 1127 1117 1077 1143 1180
Tierra del Fuego Varón 983 951 955 926 894 774
2.3.2.2.3 Grupo3
Ver tabla
data_mort_prov |> 
  filter(anio != 2003, gedad == "25 a 69", grupo_oms=="Lesiones" ) |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Lesiones") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")
Lesiones
region name_simp sexo 2005-2007 2008-2010 2011-2013 2014-2016 2017-2019 2020-2022
CENTRO Bs As Mujer 55 54 53 51 46 37
CABA Mujer 56 47 47 40 37 26
Córdoba Mujer 62 54 55 53 48 44
Entre Ríos Mujer 68 50 56 52 51 42
La Pampa Mujer 71 72 59 64 42 40
Santa Fe Mujer 77 72 73 61 61 56
Bs As Varón 252 246 244 226 199 169
CABA Varón 182 159 151 142 123 97
Córdoba Varón 254 235 228 201 182 181
Entre Ríos Varón 262 282 249 238 210 160
La Pampa Varón 258 251 264 222 189 170
Santa Fe Varón 312 315 312 296 265 250
CUYO Mendoza Mujer 67 74 67 59 60 41
San Juan Mujer 78 87 92 65 63 39
San Luis Mujer 67 60 47 62 47 47
Mendoza Varón 287 278 263 232 209 183
San Juan Varón 265 304 306 233 226 177
San Luis Varón 256 272 227 228 230 208
NEA Chaco Mujer 67 75 78 74 71 65
Corrientes Mujer 56 63 70 62 51 39
Formosa Mujer 62 73 84 70 77 85
Misiones Mujer 66 73 73 64 64 54
Chaco Varón 282 319 318 325 319 305
Corrientes Varón 272 271 298 266 241 192
Formosa Varón 304 311 380 339 305 256
Misiones Varón 352 338 350 318 294 239
NOA Catamarca Mujer 49 46 56 61 51 48
Jujuy Mujer 85 95 74 68 68 55
La Rioja Mujer 54 41 60 32 40 44
Salta Mujer 71 60 60 53 53 49
Santiago Mujer 51 52 53 59 52 37
Tucumán Mujer 46 56 55 52 58 44
Catamarca Varón 204 215 259 215 233 213
Jujuy Varón 344 342 389 347 278 269
La Rioja Varón 212 262 288 233 235 191
Salta Varón 313 285 296 264 229 220
Santiago Varón 236 249 292 281 256 193
Tucumán Varón 246 268 281 278 287 222
PATAGONIA Chubut Mujer 77 79 62 56 51 28
Neuquén Mujer 72 73 57 59 52 53
Río Negro Mujer 60 46 58 57 52 40
Santa Cruz Mujer 93 85 75 56 58 42
Tierra del Fuego Mujer 78 70 76 46 42 30
Chubut Varón 323 332 307 254 259 209
Neuquén Varón 342 324 310 291 236 230
Río Negro Varón 305 301 281 238 232 216
Santa Cruz Varón 359 315 324 283 229 212
Tierra del Fuego Varón 241 239 198 192 181 146
2.3.2.2.4 Grupo4
Ver tabla
data_mort_prov |> 
  filter(anio != 2003, gedad == "25 a 69", grupo_oms=="Enfermedades mal definidas") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Enfermedades mal definidas") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")
Enfermedades mal definidas
region name_simp sexo 2005-2007 2008-2010 2011-2013 2014-2016 2017-2019 2020-2022
CENTRO Bs As Mujer 58 72 67 44 33 28
CABA Mujer 10 14 12 12 24 29
Córdoba Mujer 54 66 64 59 67 77
Entre Ríos Mujer 106 133 145 135 134 157
La Pampa Mujer 17 31 16 10 38 44
Santa Fe Mujer 106 120 127 91 97 111
Bs As Varón 133 143 127 91 66 59
CABA Varón 26 34 24 27 41 45
Córdoba Varón 154 167 158 139 141 153
Entre Ríos Varón 288 319 354 339 324 331
La Pampa Varón 51 42 30 31 75 57
Santa Fe Varón 269 291 266 217 230 248
CUYO Mendoza Mujer 41 22 19 24 28 34
San Juan Mujer 14 11 10 16 25 41
San Luis Mujer 5 4 NA 4 13 25
Mendoza Varón 69 38 32 34 49 79
San Juan Varón 23 16 18 21 51 62
San Luis Varón 6 4 5 23 36 50
NEA Chaco Mujer 104 131 113 120 116 141
Corrientes Mujer 102 119 128 123 109 136
Formosa Mujer 47 36 33 38 53 31
Misiones Mujer 99 88 17 3 9 3
Chaco Varón 239 282 285 264 264 316
Corrientes Varón 233 257 263 293 264 282
Formosa Varón 129 102 83 88 85 103
Misiones Varón 231 201 37 7 10 7
NOA Catamarca Mujer 80 44 46 83 85 64
Jujuy Mujer 90 87 86 96 87 101
La Rioja Mujer 106 79 119 94 75 147
Salta Mujer 58 39 27 6 24 36
Santiago Mujer 155 137 148 169 157 161
Tucumán Mujer 107 104 44 32 22 30
Catamarca Varón 139 92 92 126 134 110
Jujuy Varón 215 204 216 230 200 231
La Rioja Varón 224 161 186 177 98 278
Salta Varón 126 74 46 19 57 63
Santiago Varón 323 315 300 315 315 293
Tucumán Varón 204 172 73 52 48 69
PATAGONIA Chubut Mujer 20 24 9 19 44 66
Neuquén Mujer 15 12 8 12 15 17
Río Negro Mujer 52 68 60 63 54 55
Santa Cruz Mujer 9 36 38 29 19 8
Tierra del Fuego Mujer 15 20 15 8 11 34
Chubut Varón 89 87 44 48 111 188
Neuquén Varón 45 48 48 35 52 65
Río Negro Varón 185 169 192 172 143 146
Santa Cruz Varón 66 106 128 79 45 21
Tierra del Fuego Varón 43 47 42 28 34 64
2.3.2.3 Mayor de 70
2.3.2.3.1 Grupo1
Ver tabla
data_mort_prov |> 
  filter(anio != 2003, gedad == "70 y mas", grupo_oms=="Condiciones transmisibles, maternas, perinatales y nutricionales") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Condiciones transmisibles, maternas, perinatales y nutricionales") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")
Condiciones transmisibles, maternas, perinatales y nutricionales
region name_simp sexo 2005-2007 2008-2010 2011-2013 2014-2016 2017-2019 2020-2022
CENTRO Bs As Mujer 2393 2409 2484 2913 3235 5188
CABA Mujer 4160 2692 2894 3766 3697 5314
Córdoba Mujer 1506 1704 1931 2248 2234 3750
Entre Ríos Mujer 1750 1804 2097 2117 2135 3694
La Pampa Mujer 2222 2718 2535 2608 2648 3804
Santa Fe Mujer 1740 2028 2239 2764 2913 4754
Bs As Varón 3038 2932 3052 3587 3861 7203
CABA Varón 4652 3109 3249 4202 4448 7458
Córdoba Varón 1886 2209 2474 2794 2637 5553
Entre Ríos Varón 2337 2387 2807 2495 2459 5051
La Pampa Varón 2652 3366 3114 3151 3416 5479
Santa Fe Varón 2103 2441 2702 3168 3354 6417
CUYO Mendoza Mujer 1967 1464 1376 2163 1958 3981
San Juan Mujer 4083 3835 3879 4353 3780 4863
San Luis Mujer 2981 2637 3570 3214 2783 3764
Mendoza Varón 2353 1655 1501 2190 2129 5654
San Juan Varón 4659 4465 4206 4892 3863 6303
San Luis Varón 3629 3447 4128 3900 3249 5195
NEA Chaco Mujer 2802 3067 3123 3465 3738 6003
Corrientes Mujer 2599 2431 2493 2248 2511 3588
Formosa Mujer 2131 2749 3019 2851 3358 4553
Misiones Mujer 1966 1776 2246 2006 2755 4795
Chaco Varón 3837 4309 3978 4316 5034 8885
Corrientes Varón 3088 3193 3069 2610 2990 5017
Formosa Varón 2373 3742 3992 4022 3852 6708
Misiones Varón 2501 2253 3108 2660 3464 6781
NOA Catamarca Mujer 1959 2660 2411 2861 2870 4587
Jujuy Mujer 2919 3148 3139 3584 3615 5858
La Rioja Mujer 3144 3404 3453 3341 2911 5839
Salta Mujer 2990 3225 2784 2947 3048 4575
Santiago Mujer 2831 3046 2531 2383 2765 4517
Tucumán Mujer 2705 2760 3369 4082 4208 6416
Catamarca Varón 2389 2693 3040 3402 3114 5873
Jujuy Varón 3557 3814 4108 4608 4445 8920
La Rioja Varón 3992 4183 4544 4209 3731 8467
Salta Varón 3535 3966 3537 3914 4029 6855
Santiago Varón 3424 3568 3117 2998 3029 5730
Tucumán Varón 3288 3305 3952 5039 5057 8794
PATAGONIA Chubut Mujer 2543 2250 3215 4352 2498 4610
Neuquén Mujer 2228 2183 2133 2099 1890 3990
Río Negro Mujer 1491 1571 1643 1520 2088 4459
Santa Cruz Mujer 2519 3504 2765 2902 2657 4891
Tierra del Fuego Mujer 2504 1595 2731 1962 1679 5148
Chubut Varón 3535 2915 3404 4389 3277 6658
Neuquén Varón 1905 2263 2428 2330 1689 6434
Río Negro Varón 1803 1787 1984 2143 2546 6766
Santa Cruz Varón 3139 3414 3776 3830 3355 7336
Tierra del Fuego Varón 4043 2186 2715 3100 2233 8328
2.3.2.3.2 Grupo2
Ver tabla
data_mort_prov |> 
  filter(anio != 2003, gedad == "70 y mas", grupo_oms=="Enfermedades no transmisibles") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Enfermedades no transmisibles") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")
Enfermedades no transmisibles
region name_simp sexo 2005-2007 2008-2010 2011-2013 2014-2016 2017-2019 2020-2022
CENTRO Bs As Mujer 15103 13909 13786 13929 13164 13061
CABA Mujer 15094 15848 15478 14532 12860 12253
Córdoba Mujer 16559 15291 14976 14478 13775 13967
Entre Ríos Mujer 13758 12198 11064 11239 10797 10147
La Pampa Mujer 14175 12432 13077 12245 10722 11445
Santa Fe Mujer 15631 13992 13490 13640 12375 12156
Bs As Varón 20815 18645 18255 18183 17112 16186
CABA Varón 19862 20006 19374 17738 15491 14408
Córdoba Varón 22044 20557 19566 19105 18062 17772
Entre Ríos Varón 19365 17086 15446 15316 14920 13948
La Pampa Varón 19869 17628 18571 17745 15063 14401
Santa Fe Varón 21378 19721 18295 18451 16423 15331
CUYO Mendoza Mujer 14542 15332 15146 14230 13524 12912
San Juan Mujer 14141 13986 12823 12132 12292 12634
San Luis Mujer 15249 14384 13707 13501 12710 12774
Mendoza Varón 18652 19764 19280 18321 17647 16387
San Juan Varón 19593 18592 17903 16479 17363 16276
San Luis Varón 19936 18876 17375 17400 17655 16777
NEA Chaco Mujer 12943 11528 10990 11926 11181 11342
Corrientes Mujer 12378 11587 10635 10984 10073 9882
Formosa Mujer 13192 12154 10952 11537 11213 10724
Misiones Mujer 11732 11960 13567 14927 13439 13980
Chaco Varón 18980 16663 16597 17473 16352 15595
Corrientes Varón 16703 16036 14944 14903 13251 12764
Formosa Varón 17350 15880 15428 16465 14631 14641
Misiones Varón 16340 17345 18514 19860 17612 18701
NOA Catamarca Mujer 12899 13285 12340 12228 11711 11339
Jujuy Mujer 11206 10593 9522 8380 8502 8094
La Rioja Mujer 10993 10597 10290 10677 11663 9346
Salta Mujer 11341 12096 12116 12238 11485 11376
Santiago Mujer 10735 9774 9592 9740 9550 9180
Tucumán Mujer 12229 12299 12688 12913 11780 12077
Catamarca Varón 17355 18382 16468 15747 14732 15004
Jujuy Varón 14414 14579 13239 10830 11048 10478
La Rioja Varón 15880 15259 14630 14250 15576 12510
Salta Varón 15033 16056 15694 16071 15051 15033
Santiago Varón 15179 13010 12914 13276 12358 12217
Tucumán Varón 18066 17340 17654 17101 16065 15473
PATAGONIA Chubut Mujer 11737 11741 11405 10885 10810 9921
Neuquén Mujer 13469 12501 12410 11616 11555 11419
Río Negro Mujer 12567 11449 11093 11349 10889 11351
Santa Cruz Mujer 13277 10823 9987 11321 12498 12220
Tierra del Fuego Mujer 11770 11362 11817 11357 9940 9639
Chubut Varón 16886 16472 16444 15446 14947 13129
Neuquén Varón 18961 17924 17212 17272 16497 14896
Río Negro Varón 16311 16424 16184 16087 15286 14869
Santa Cruz Varón 20068 17984 17589 17206 16613 17795
Tierra del Fuego Varón 24495 19011 14453 14600 13879 11126
2.3.2.3.3 Grupo3
Ver tabla
data_mort_prov |> 
  filter(anio != 2003, gedad == "70 y mas", grupo_oms=="Lesiones" ) |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Lesiones") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")
Lesiones
region name_simp sexo 2005-2007 2008-2010 2011-2013 2014-2016 2017-2019 2020-2022
CENTRO Bs As Mujer 263 204 235 268 255 197
CABA Mujer 246 217 252 186 158 153
Córdoba Mujer 333 297 224 280 228 209
Entre Ríos Mujer 407 330 237 242 257 204
La Pampa Mujer 459 213 163 194 159 189
Santa Fe Mujer 701 521 548 623 416 352
Bs As Varón 522 452 430 471 399 352
CABA Varón 456 373 409 329 269 282
Córdoba Varón 603 469 466 473 406 405
Entre Ríos Varón 615 599 491 450 425 359
La Pampa Varón 873 570 410 422 482 350
Santa Fe Varón 902 710 728 771 583 500
CUYO Mendoza Mujer 395 420 376 400 435 402
San Juan Mujer 811 750 660 548 365 396
San Luis Mujer 344 421 412 320 297 263
Mendoza Varón 763 734 626 563 576 466
San Juan Varón 1448 1104 1001 759 645 493
San Luis Varón 766 648 620 690 431 423
NEA Chaco Mujer 422 396 378 385 464 304
Corrientes Mujer 369 336 364 399 366 274
Formosa Mujer 295 400 422 358 430 428
Misiones Mujer 253 261 338 182 385 243
Chaco Varón 722 623 746 776 665 614
Corrientes Varón 623 652 624 596 541 416
Formosa Varón 805 705 753 646 734 593
Misiones Varón 568 581 623 562 583 393
NOA Catamarca Mujer 169 80 65 155 143 76
Jujuy Mujer 464 451 340 298 358 314
La Rioja Mujer 237 264 189 200 109 95
Salta Mujer 648 284 259 266 217 347
Santiago Mujer 232 241 194 255 120 112
Tucumán Mujer 241 194 183 218 202 102
Catamarca Varón 546 335 386 367 424 172
Jujuy Varón 1033 936 708 659 613 504
La Rioja Varón 691 658 427 390 380 436
Salta Varón 984 528 598 503 451 486
Santiago Varón 550 471 337 424 360 301
Tucumán Varón 451 425 413 426 459 283
PATAGONIA Chubut Mujer 417 485 251 240 296 244
Neuquén Mujer 460 263 329 430 614 696
Río Negro Mujer 166 165 172 189 148 127
Santa Cruz Mujer 656 177 132 273 248 297
Tierra del Fuego Mujer 417 664 473 376 302 383
Chubut Varón 915 874 612 400 601 500
Neuquén Varón 979 743 778 832 854 741
Río Negro Varón 569 544 439 451 397 330
Santa Cruz Varón 646 860 586 430 484 363
Tierra del Fuego Varón 1189 760 660 282 350 276
2.3.2.3.4 Grupo4
Ver tabla
data_mort_prov |> 
  filter(anio != 2003, gedad == "70 y mas", grupo_oms=="Enfermedades mal definidas") |> 
  select(region, name_simp, sexo, Años, rmxm) |> 
  arrange(region, sexo, name_simp) |> 
  pivot_wider(
    names_from = Años,
    values_from = rmxm
  ) |> 
  kableExtra::kbl(caption = "Enfermedades mal definidas") |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:2, valign = "top")
Enfermedades mal definidas
region name_simp sexo 2005-2007 2008-2010 2011-2013 2014-2016 2017-2019 2020-2022
CENTRO Bs As Mujer 1696 2083 2109 1228 718 687
CABA Mujer 158 223 194 356 722 751
Córdoba Mujer 967 1200 1272 1397 1597 1707
Entre Ríos Mujer 3292 3395 3830 3619 3503 4388
La Pampa Mujer 1178 1067 528 1053 1523 1255
Santa Fe Mujer 2336 2538 2732 2107 2509 3122
Bs As Varón 2002 2430 2443 1414 856 761
CABA Varón 220 281 209 357 831 887
Córdoba Varón 1302 1522 1683 1632 1990 2016
Entre Ríos Varón 3907 4068 4434 4370 4107 5127
La Pampa Varón 918 1036 371 757 1389 1212
Santa Fe Varón 2913 3171 3198 2453 2793 3285
CUYO Mendoza Mujer 1995 585 480 528 639 874
San Juan Mujer 362 285 360 512 642 897
San Luis Mujer 67 7 13 221 657 1036
Mendoza Varón 2105 662 595 602 710 983
San Juan Varón 478 346 258 544 718 942
San Luis Varón 71 52 28 246 672 1276
NEA Chaco Mujer 2484 3096 3087 3067 3242 3740
Corrientes Mujer 3055 2878 3095 2970 2741 3221
Formosa Mujer 1568 1143 1006 1036 1167 1169
Misiones Mujer 3192 2278 335 20 30 41
Chaco Varón 3413 4002 3993 3907 3764 4686
Corrientes Varón 3513 3686 3599 3707 3496 4078
Formosa Varón 1832 1448 1116 1307 1228 1395
Misiones Varón 3850 3293 385 17 76 46
NOA Catamarca Mujer 1223 1295 1384 1301 1510 1718
Jujuy Mujer 2522 2195 2493 2639 2386 3209
La Rioja Mujer 1834 2247 2342 2333 1851 4113
Salta Mujer 1614 1093 761 307 820 1065
Santiago Mujer 3194 3090 3295 3758 4053 4012
Tucumán Mujer 3400 2961 1111 777 596 674
Catamarca Varón 1917 1594 1339 1361 2092 1617
Jujuy Varón 2807 3120 3401 3302 3054 4083
La Rioja Varón 2765 2992 2365 3079 2162 4653
Salta Varón 1981 1297 935 383 964 1337
Santiago Varón 4340 4385 3861 4724 4839 4828
Tucumán Varón 4052 3465 1469 925 791 836
PATAGONIA Chubut Mujer 1318 1301 251 394 1216 2409
Neuquén Mujer 295 325 336 323 245 464
Río Negro Mujer 2080 2148 2602 2276 2337 1822
Santa Cruz Mujer 1023 1663 1486 1732 895 95
Tierra del Fuego Mujer 1085 399 525 543 369 602
Chubut Varón 1567 1598 328 432 1481 2698
Neuquén Varón 444 444 272 341 390 431
Río Negro Varón 2601 2569 2844 2501 2561 2211
Santa Cruz Varón 862 1425 2439 2048 718 110
Tierra del Fuego Varón 1784 380 807 507 263 726

2.3.3 Evolucion de la razon

Si bien se trata de una seri compuesta por observaciones puntuales de trienios, pueden observarse en su evolucion en el tiempo. Ya que el primer punto de la serie, es de cuatro y no tres años se elimina de la serie graficada, para evitar sesgos. Mientras que el ultimo tirenio debe ser tomado con cautela ya que se trata de un periodo excepcional por la Pandemia Covid19

# La serie de años : 
unique(data_mort_prov$Años)
## [1] "2001-2004" "2005-2007" "2008-2010" "2011-2013" "2014-2016" "2017-2019"
## [7] "2020-2022"
2.3.3.1 Menor de 24
2.3.3.1.1 Estatico
anios <- c(2006, 2009, 2012, 2015, 2018, 2021)
anios_label <- c("2005-2007", "2008-2010", "2011-2013", "2014-2016", "2017-2019", "2020-2022")
data_mort_prov |> 
  filter(gedad=="Menor de 24", anio != 2003) |>
  ggplot(aes(anio, rmxm, colour = region, group = name_simp))+
  geom_line()+
  scale_x_continuous(breaks = anios, labels = anios_label)+
  facet_grid(grupo_oms~sexo+gedad, scales="free_y", labeller = label_wrap_gen(multi_line = TRUE))+
  theme(
    strip.text.y = element_text(angle = 0),
    axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1, size=6),
    legend.position = "bottom"
  )+
  labs(
    subtitle = "Evolucion de la Razon de Mortalidad"
  )

2.3.3.1.2 Dinamico
plotly::ggplotly(
  
data_mort_prov |> 
  filter(gedad=="Menor de 24", anio != 2003) |>
  ggplot(aes(anio, rmxm, colour = region, group = name_simp))+
  geom_line()+
  scale_x_continuous(breaks = anios, labels = anios_label)+
  facet_grid(grupo_oms~sexo+gedad, scales="free_y", labeller = label_wrap_gen(multi_line = TRUE))+
  theme(
    strip.text.y = element_text(angle = 0, size = 6),
    strip.text = element_text(size = 7.5),
    axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1, size=6),
    legend.key = element_rect(size = 1),
    legend.text = element_text(size = 5)
  )+
  labs(
    subtitle = "Evolucion de la Razon de Mortalidad"
  ),
height = 1000,
width = 800
)
2.3.3.2 De 25 a 69
2.3.3.2.1 Estatico
data_mort_prov |> 
  filter(gedad=="25 a 69", !anio %in% c(2003, 2021)) |>
  ggplot(aes(anio, rmxm, colour = region, group = name_simp))+
  geom_line()+
  scale_x_continuous(breaks = anios, labels = anios_label)+
  facet_grid(grupo_oms~sexo+gedad, scales="free_y", labeller = label_wrap_gen(multi_line = TRUE))+
  theme(
    strip.text.y = element_text(angle = 0),
    axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1, size=6),
    legend.position = "bottom"
  )+
  labs(
    subtitle = "Evolucion de la Razon de Mortalidad 2005-2019"
  )

2.3.3.2.2 Dinamico
plotly::ggplotly(
  data_mort_prov |> 
  filter(gedad=="25 a 69", !anio %in% c(2003, 2021)) |>
  ggplot(aes(anio, rmxm, colour = region, group = name_simp))+
  geom_line()+
  scale_x_continuous(breaks = anios, labels = anios_label)+
  facet_grid(grupo_oms~sexo+gedad, scales="free_y", labeller = label_wrap_gen(multi_line = TRUE))+
  theme(
    strip.text.y = element_text(angle = 0, size = 6),
    strip.text = element_text(size = 7.5),
    axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1, size=6),
    legend.key = element_rect(size = 1),
    legend.text = element_text(size = 5)
  )+
  labs(
    subtitle = "Evolucion de la Razon de Mortalidad 2005-2019"
  ),
  height = 1000,
  width = 500
)
2.3.3.3 De Mayores de 70
2.3.3.3.1 Estatico
data_mort_prov |> 
  filter(gedad=="70 y mas", !anio %in% c(2003, 2021)) |>
  ggplot(aes(anio, rmxm, colour = region, group = name_simp))+
  geom_line()+
  scale_x_continuous(breaks = anios, labels = anios_label)+
  facet_grid(grupo_oms~sexo+gedad, scales="free_y", labeller = label_wrap_gen(multi_line = TRUE))+
  theme(
    strip.text.y = element_text(angle = 0),
    axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1, size=6),
    legend.position = "bottom"
  )+
  labs(
    subtitle = "Evolucion de la Razon de Mortalidad 2005-2019"
  )

2.3.3.3.2 Dinamico
plotly::ggplotly(
  
data_mort_prov |> 
  filter(gedad=="70 y mas", !anio %in% c(2003, 2021)) |>
  ggplot(aes(anio, rmxm, colour = region, group = name_simp))+
  geom_line()+
  scale_x_continuous(breaks = anios, labels = anios_label)+
  facet_grid(grupo_oms~sexo+gedad, scales="free_y", labeller = label_wrap_gen(multi_line = TRUE))+
  theme(
    strip.text.y = element_text(angle = 0),
    axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1, size=6),
    legend.position = "bottom"
  )+
  labs(
    subtitle = "Evolucion de la Razon de Mortalidad 2005-2019"
  ),
height = 1000,
width = 800
)

La mortalidad en el grupo de 70 años y mas se muestra mas homogenea que el resto.

Ver tabla
data_mort_prov |> 
  filter(gedad=="70 y mas", anio == 2018) |> 
  select(sexo, grupo_oms, region, name_simp, ici_rmxm, rmxm, ics_rmxm) |> 
  arrange(sexo, grupo_oms, region, name_simp) |> 
  kableExtra::kbl() |> 
  kableExtra::kable_styling() |> 
  kableExtra::collapse_rows(1:3, valign = "top")
sexo grupo_oms region name_simp ici_rmxm rmxm ics_rmxm
Mujer Condiciones transmisibles, maternas, perinatales y nutricionales CENTRO Bs As 3196.6 3235 3273.9
CABA 3621.0 3697 3774.5
Córdoba 2166.9 2234 2302.6
Entre Ríos 2024.5 2135 2250.0
La Pampa 2412.8 2648 2899.4
Santa Fe 2835.3 2913 2991.7
CUYO Mendoza 1868.7 1958 2050.5
San Juan 3565.8 3780 4004.2
San Luis 2551.7 2783 3029.0
NEA Chaco 3537.0 3738 3946.6
Corrientes 2358.8 2511 2670.3
Formosa 3093.4 3358 3639.8
Misiones 2579.7 2755 2939.4
NOA Catamarca 2602.6 2870 3157.3
Jujuy 3387.4 3615 3854.0
La Rioja 2612.7 2911 3235.0
Salta 2885.6 3048 3216.8
Santiago 2587.6 2765 2952.0
Tucumán 4046.8 4208 4374.0
PATAGONIA Chubut 2281.7 2498 2729.8
Neuquén 1705.8 1890 2088.4
Río Negro 1921.7 2088 2265.6
Santa Cruz 2295.0 2657 3059.0
Tierra del Fuego 1246.2 1679 2213.5
Enfermedades mal definidas CENTRO Bs As 699.9 718 736.4
CABA 689.0 722 757.1
Córdoba 1540.7 1597 1655.6
Entre Ríos 3360.9 3503 3649.2
La Pampa 1345.9 1523 1716.4
Santa Fe 2436.7 2509 2582.0
CUYO Mendoza 588.4 639 692.7
San Juan 555.5 642 738.2
San Luis 547.0 657 781.8
NEA Chaco 3055.7 3242 3437.4
Corrientes 2582.0 2741 2907.3
Formosa 1012.7 1167 1337.3
Misiones 14.4 30 55.3
NOA Catamarca 1317.7 1510 1722.0
Jujuy 2201.4 2386 2581.2
La Rioja 1614.7 1851 2112.7
Salta 736.6 820 909.6
Santiago 3836.9 4053 4277.5
Tucumán 536.8 596 661.0
PATAGONIA Chubut 1066.3 1216 1380.6
Neuquén 182.2 245 323.6
Río Negro 2160.7 2337 2524.3
Santa Cruz 690.5 895 1140.4
Tierra del Fuego 184.4 369 660.9
Enfermedades no transmisibles CENTRO Bs As 13086.4 13164 13242.2
CABA 12717.2 12860 13003.1
Córdoba 13608.1 13775 13944.3
Entre Ríos 10547.0 10797 11052.1
La Pampa 10243.2 10722 11216.5
Santa Fe 12214.8 12375 12536.7
CUYO Mendoza 13287.7 13524 13763.6
San Juan 11903.1 12292 12690.9
San Luis 12210.3 12710 13224.4
NEA Chaco 10832.2 11181 11538.5
Corrientes 9766.4 10073 10387.7
Formosa 10724.5 11213 11718.1
Misiones 13048.3 13439 13839.0
NOA Catamarca 11164.4 11711 12277.6
Jujuy 8150.8 8502 8864.3
La Rioja 11056.8 11663 12293.3
Salta 11167.9 11485 11808.6
Santiago 9216.7 9550 9891.3
Tucumán 11509.5 11780 12055.7
PATAGONIA Chubut 10354.5 10810 11280.9
Neuquén 11093.0 11555 12031.5
Río Negro 10504.1 10889 11284.6
Santa Cruz 11698.5 12498 13338.4
Tierra del Fuego 8839.4 9940 11138.8
Lesiones CENTRO Bs As 244.1 255 265.9
CABA 142.5 158 174.6
Córdoba 206.7 228 250.5
Entre Ríos 219.4 257 298.6
La Pampa 105.7 159 229.9
Santa Fe 387.2 416 446.6
CUYO Mendoza 393.5 435 479.7
San Juan 300.5 365 439.2
San Luis 225.0 297 384.8
NEA Chaco 394.8 464 541.0
Corrientes 309.5 366 430.1
Formosa 339.1 430 538.7
Misiones 320.8 385 457.3
NOA Catamarca 88.4 143 218.3
Jujuy 289.3 358 439.1
La Rioja 58.2 109 187.1
Salta 175.4 217 265.6
Santiago 85.2 120 163.8
Tucumán 167.5 202 240.5
PATAGONIA Chubut 225.0 296 383.1
Neuquén 510.7 614 731.1
Río Negro 106.1 148 200.6
Santa Cruz 146.8 248 391.6
Tierra del Fuego 138.2 302 573.7
Varón Condiciones transmisibles, maternas, perinatales y nutricionales CENTRO Bs As 3808.2 3861 3914.0
CABA 4335.1 4448 4562.6
Córdoba 2545.3 2637 2730.2
Entre Ríos 2310.0 2459 2615.3
La Pampa 3096.7 3416 3760.2
Santa Fe 3248.1 3354 3462.5
CUYO Mendoza 2015.6 2129 2246.7
San Juan 3598.7 3863 4142.1
San Luis 2954.2 3249 3565.5
NEA Chaco 4753.1 5034 5327.8
Corrientes 2791.6 2990 3198.3
Formosa 3535.5 3852 4188.9
Misiones 3242.9 3464 3697.2
NOA Catamarca 2783.8 3114 3473.0
Jujuy 4148.3 4445 4757.1
La Rioja 3329.3 3731 4166.8
Salta 3812.3 4029 4254.3
Santiago 2812.0 3029 3257.8
Tucumán 4841.8 5057 5279.8
PATAGONIA Chubut 2987.3 3277 3587.7
Neuquén 1486.3 1689 1911.1
Río Negro 2331.6 2546 2774.8
Santa Cruz 2891.2 3355 3871.7
Tierra del Fuego 1662.6 2233 2935.9
Enfermedades mal definidas CENTRO Bs As 831.1 856 881.0
CABA 783.0 831 881.8
Córdoba 1910.4 1990 2071.2
Entre Ríos 3914.0 4107 4307.9
La Pampa 1188.4 1389 1614.7
Santa Fe 2696.7 2793 2892.4
CUYO Mendoza 645.4 710 779.6
San Juan 606.6 718 843.8
San Luis 541.5 672 823.8
NEA Chaco 3521.5 3764 4019.0
Corrientes 3281.1 3496 3720.7
Formosa 1051.9 1228 1424.1
Misiones 46.6 76 117.7
NOA Catamarca 1823.0 2092 2389.8
Jujuy 2808.9 3054 3314.5
La Rioja 1859.5 2162 2500.3
Salta 860.0 964 1078.0
Santiago 4563.5 4839 5125.8
Tucumán 707.0 791 881.8
PATAGONIA Chubut 1288.7 1481 1694.8
Neuquén 296.3 390 504.5
Río Negro 2345.7 2561 2790.1
Santa Cruz 512.7 718 977.2
Tierra del Fuego 96.4 263 571.8
Enfermedades no transmisibles CENTRO Bs As 17001.5 17112 17223.9
CABA 15280.3 15491 15704.2
Córdoba 17821.3 18062 18304.1
Entre Ríos 14549.0 14920 15297.4
La Pampa 14383.4 15063 15767.1
Santa Fe 16187.9 16423 16661.2
CUYO Mendoza 17318.2 17647 17980.6
San Juan 16796.5 17363 17943.0
San Luis 16958.0 17655 18372.8
NEA Chaco 15841.9 16352 16874.2
Corrientes 12829.5 13251 13681.9
Formosa 14008.4 14631 15274.9
Misiones 17107.7 17612 18127.1
NOA Catamarca 14002.5 14732 15489.6
Jujuy 10577.8 11048 11534.4
La Rioja 14743.8 15576 16442.1
Salta 14629.9 15051 15481.2
Santiago 11916.1 12358 12812.3
Tucumán 15679.2 16065 16457.9
PATAGONIA Chubut 14319.8 14947 15593.7
Neuquén 15850.8 16497 17163.5
Río Negro 14753.7 15286 15832.1
Santa Cruz 15559.9 16613 17718.3
Tierra del Fuego 12393.2 13879 15494.2
Lesiones CENTRO Bs As 381.9 399 416.0
CABA 241.4 269 297.9
Córdoba 370.6 406 443.7
Entre Ríos 364.2 425 492.6
La Pampa 367.1 482 622.0
Santa Fe 539.2 583 629.1
CUYO Mendoza 518.3 576 639.4
San Juan 539.4 645 764.5
San Luis 327.9 431 555.7
NEA Chaco 564.9 665 776.6
Corrientes 459.0 541 634.2
Formosa 599.5 734 889.0
Misiones 494.4 583 683.2
NOA Catamarca 308.2 424 569.5
Jujuy 506.0 613 735.7
La Rioja 260.0 380 536.7
Salta 380.7 451 530.8
Santiago 288.2 360 444.9
Tucumán 395.6 459 529.3
PATAGONIA Chubut 480.7 601 742.2
Neuquén 712.3 854 1016.7
Río Negro 315.6 397 493.9
Santa Cruz 319.2 484 704.8
Tierra del Fuego 151.2 350 690.2

2.4 Distribucion por Provincias 2017-2019

Luego de analizar la serie, se analiza el ultimo trienio 2017-2019, antes de la Pandemia. Se observan importantes diferencias entre provincias en el nivel de casos, como es de esperar y de la razon de mortalidad del trienio, segun causas.
Se grafican en barras de mayor a menor, consignando el numero de casos, y la razon de mortalidad del trienio. Se colorean en 4 grupos segun el nivel de la razon de mortalidad en cuasi cuartiles.
Otra alternativa es el uso de mapas de coropletas que se emplean al final.

2.4.0.1 Ranking

Dada la distribucion provincial de la Razon de mortalidad del tirenio, por edad, sexo y causa, se puede calcular un nuevo registro igual al promedio de casos y razon, y determinar los que estan por encima y por debajo del promedio. Sin embargo este indicador se ve sensiblemente afectado por los valores extremos.
La alternativa analitica, es la construccion de un ranking, ordenando de mayor a menor la razon segun sexo y causa para cada grupo de edad por provincias, y distribuyendo los registros (provincias) en cuatro (similar a cuartiles) grandes grupos homogeneos, observar los extremos y variaciones.

# calculo del promedio de las provincias de 2018
vars_agg_mean <- c("grupo_oms", "gedad", "sexo")
data_mort_prov |> 
  filter(anio == 2018) |> 
  select(geocodigo_prov, name_simp, grupo_oms, gedad, sexo, casos, rmxm) |> 
  group_by_at(vars_agg_mean) |> 
  summarise(
    mean_casos = as.integer(mean(casos, na.rm=TRUE)),
    mean_rmxm = as.integer(mean(rmxm, na.rm=TRUE))
  ) |> 
  mutate(
    name_simp = "Promedio"
  ) |> 
  rename(
    casos = mean_casos,
    rmxm = mean_rmxm
  ) |> 
  relocate(name_simp) |> 
  ungroup()-> prom_2018

Se crea un subset de datos para el trienio 2017-2019

# Clasificacion en cuartiles

data_mort_prov |> 
  filter(anio == 2018) |> 
  select(name_simp, grupo_oms, gedad, sexo, casos, rmxm) |> 
  bind_rows(prom_2018)-> subset_data_mort_2018

glimpse(subset_data_mort_2018)
## Rows: 599
## Columns: 6
## $ name_simp <chr> "Catamarca", "Catamarca", "Catamarca", "Catamarca", "Córdoba…
## $ grupo_oms <chr> "Condiciones transmisibles, maternas, perinatales y nutricio…
## $ gedad     <ord> Menor de 24, Menor de 24, Menor de 24, Menor de 24, Menor de…
## $ sexo      <chr> "Mujer", "Mujer", "Mujer", "Mujer", "Mujer", "Mujer", "Mujer…
## $ casos     <int> 58, 9, 84, 47, 379, 88, 520, 231, 244, 31, 204, 89, 208, 9, …
## $ rmxm      <dbl> 69, 11, 99, 56, 55, 13, 76, 34, 100, 13, 84, 37, 48, 2, 73, …
# Calcular cuartiles
quantiles <- quantile(subset_data_mort_2018$rmxm, probs = c(0, 0.25, 0.5, 0.75, 1))

# Classify into quantiles using mutate and cut
subset_data_mort_2018 |> 
  group_by(gedad, sexo, grupo_oms) |> 
  mutate(cuartil = cut(rmxm, breaks = quantiles, include.lowest = TRUE, labels = c("Q1", "Q2", "Q3", "Q4")),
         cuart_g = ntile(rmxm, 4)) -> subset_data_mort_2018
unique(subset_data_mort_2018$grupo_oms)
## [1] "Condiciones transmisibles, maternas, perinatales y nutricionales"
## [2] "Enfermedades mal definidas"                                      
## [3] "Enfermedades no transmisibles"                                   
## [4] "Lesiones"
subset_data_mort_2018 |> 
  mutate(
    grupo_oms = if_else(
      grupo_oms == "Condiciones transmisibles, maternas, perinatales y nutricionales",
      "Cond. transmisibles, m,p,n",
      grupo_oms
    )  )->subset_data_mort_2018
2.4.0.1.1 Edades jovenes Menores de 24 años
subset_data_mort_2018 |> 
  filter(gedad == "Menor de 24") |> 
  ggplot(aes(reorder_within(name_simp, cuart_g, list(sexo, gedad, grupo_oms)), rmxm, fill = cuart_g, label=casos))+
  scale_x_reordered() +
  geom_col(position = "stack", width = 0.9, alpha = .6)+
  # geom_text(color="white", size=3, hjust = 1)+
  geom_text(aes(label = paste0("n:", casos, " | ", rmxm)), 
            position = position_stack(vjust = .5), size = 2.5, color="grey3")+
  scale_fill_distiller(palette = "Reds", type = "seq", direction = 1)+
  coord_flip()+
  facet_wrap(~sexo+grupo_oms, scales="free", ncol=4)+
  theme(
    legend.position = "None",
    axis.text.x = element_text(size = 7.5, vjust = .5, hjust = 1),
    panel.background = element_blank(),
    strip.text = element_text(size = 7, color = "grey30", margin = margin()),
    strip.background = element_rect(color = "white")
  )+
  labs(
    x = "Provincias",
    y = "Razon de mortalidad (x 100.000)",
    subtitle = "Menor de 24"  
  )

2.4.0.1.2 Edades centrales de 25 a 69 años
subset_data_mort_2018 |> 
  filter(gedad == "25 a 69") |> 
  ggplot(aes(reorder_within(name_simp, cuart_g, list(sexo, gedad, grupo_oms)), rmxm, fill = cuart_g, label=casos))+
  scale_x_reordered() +
  geom_col(position = "stack", width = 0.9, alpha = .6)+
  # geom_text(color="white", size=3, hjust = 1)+
  geom_text(aes(label = paste0("n:", casos, " | ", rmxm)), 
            position = position_stack(vjust = .5), size = 2.5, color="grey3")+
  scale_fill_distiller(palette = "Reds", type = "seq", direction = 1)+
  coord_flip()+
  facet_wrap(~sexo+grupo_oms, scales="free", ncol=4)+
  theme(
    legend.position = "None",
    axis.text.x = element_text(size = 7.5, vjust = .5, hjust = 1),
    panel.background = element_blank(),
    strip.text = element_text(size = 7, color = "grey30", margin = margin()),
    strip.background = element_rect(color = "white")
  )+
  labs(
    x = "Provincias",
    y = "Razon de mortalidad (x 100.000)",
    subtitle = "25 a 69 años"  
  )

2.4.0.1.3 Edades mayores de 70 años y mas
subset_data_mort_2018 |> 
  filter(gedad == "70 y mas") |> 
  ggplot(aes(reorder_within(name_simp, cuart_g, list(sexo, gedad, grupo_oms)), rmxm, fill = cuart_g, label=casos))+
  scale_x_reordered() +
  geom_col(position = "stack", width = 0.9, alpha = .6)+
  # geom_text(color="white", size=3, hjust = 1)+
  geom_text(aes(label = paste0("n:", casos, " | ", rmxm)), 
            position = position_stack(vjust = .5), size = 2.5, color="grey3")+
  scale_fill_distiller(palette = "Reds", type = "seq", direction = 1)+
  coord_flip()+
  facet_wrap(~sexo+grupo_oms, scales="free", ncol=4)+
  theme(
    legend.position = "None",
    axis.text.x = element_text(size = 7.5, vjust = .5, hjust = 1),
    panel.background = element_blank(),
    strip.text = element_text(size = 7, color = "grey30", margin = margin()),
    strip.background = element_rect(color = "white")
  )+
  labs(
    x = "Provincias",
    y = "Razon de mortalidad (x 100.000)",
    subtitle = "70 años y mas"  
  )

2.5 Los extremos

Un metodo analitico descriptivo podria ser observar los extremos, extrayendo los valores maximos y minimos por causa, para cada grupo de edad y sexo. Luego estimar la media y dispersion de la razon entre los valores de cada trienio y estimar si hubo un aumento o descenso de la dispersion. (En capitulo aparte se estimo la tendencia mediante dos tecnicas: regresion lineal y Mandel-Kendall )

Se extraen valores maximos, minimos, y medidas de tendencia central y dispersion:

vars_agg_serie <- c("anio", "grupo_oms", "gedad" ,    "sexo" )

data_mort_prov |>
  group_by_at(vars_agg_serie) |> 
  slice_max(rmxm, n=1) |> 
  mutate(
    val = "max"
  ) |> 
  ungroup()-> data_mort_max

data_mort_prov |>
  group_by_at(vars_agg_serie) |> 
  slice_min(rmxm, n=1) |> 
  mutate(
    val = "min"
  ) |> 
  ungroup() -> data_mort_min

serie_min_max <- bind_rows(data_mort_min, data_mort_max)
glimpse(serie_min_max)
## Rows: 361
## Columns: 16
## $ anio           <dbl> 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2…
## $ Años           <chr> "2001-2004", "2001-2004", "2001-2004", "2001-2004", "20…
## $ gedad          <ord> Menor de 24, Menor de 24, 25 a 69, 25 a 69, 70 y mas, 7…
## $ sexo           <chr> "Mujer", "Varón", "Mujer", "Varón", "Mujer", "Varón", "…
## $ geocodigo_prov <chr> "94", "94", "58", "94", "30", "14", "26", "58", "70", "…
## $ grupo_oms      <chr> "Condiciones transmisibles, maternas, perinatales y nut…
## $ casos          <int> 20, 22, 75, 27, 788, 2044, 1, 1, 1, 4, 3, 57, 127, 22, …
## $ region         <chr> "PATAGONIA", "PATAGONIA", "PATAGONIA", "PATAGONIA", "CE…
## $ label          <chr> "Tierra del Fuego, Antártida e Islas del Atlántico Sur"…
## $ name_simp      <chr> "Tierra del Fuego", "Tierra del Fuego", "Neuquén", "Tie…
## $ pob            <dbl> 25482, 26083, 116721, 27164, 43126, 81602, 102993, 1182…
## $ rm             <dbl> 0.0007849, 0.0008435, 0.0006426, 0.0009940, 0.0182720, …
## $ rmxm           <dbl> 78, 84, 64, 99, 1827, 2505, 1, 1, 1, 3, 12, 41, 710, 77…
## $ ici_rmxm       <dbl> 47.9, 52.9, 50.5, 65.5, 1701.8, 2397.4, 0.0, 0.0, 0.0, …
## $ ics_rmxm       <dbl> 121.2, 127.7, 80.5, 144.6, 1959.4, 2615.8, 5.4, 4.7, 3.…
## $ val            <chr> "min", "min", "min", "min", "min", "min", "min", "min",…
# segmentos

serie_min_max |> 
  distinct(anio, grupo_oms, sexo, gedad, val, rmxm) |> 
   pivot_wider(
    names_from = val,
    values_from = rmxm
  ) -> segmentos

En el grafico que sigue se puede observar en un area el rango, o la brecha, entre los valores maximos y minimos registrados por las provincias por sexo, segun grupo de causas y edad.

segmentos |> 
  filter(anio != 2003) |> 
  mutate( gedad = factor(gedad, levels = c("Menor de 24", "25 a 69", "70 y mas"), ordered = TRUE),
          grupo_oms = if_else(
            grupo_oms == "Condiciones transmisibles, maternas, perinatales y nutricionales",
            "Cond. transmisibles, m,p,n",
            grupo_oms)
          ) |> 
  ggplot()+
  geom_ribbon(aes(anio, ymin = min, ymax = max, fill = sexo), alpha=.5)+
  scale_fill_brewer(palette = "Pastel2", direction = -1)+
  geom_line(aes(anio, min, group = sexo), color="skyblue")+
  geom_line(aes(anio, max, group = sexo), color="grey30")+
  # scale_y_log10()+
  facet_wrap(~grupo_oms+gedad, scales="free", ncol=3)+
  theme(
    legend.position = "top",
    strip.text = element_text(),
    strip.text.y = element_text(angle = 0),
    axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1, size=6),
  )+
  labs(
    y = "Razon mortalidad x100.000",
    x = "Años",
    title = "Evolucion de la brecha Max-Min Razon de Mortalidad entre provincias",
    subtitle = "Evolucion de extremos, en grupos de edad segun causa, por sexo"
  )

Asi como se observa el rango, este puede expresarse como la evolucion de la media de los valores provinciales segun sexo, para cada grupo de causas y edades, mas / menos la variacion estandar (en barras)

var_agg_summ <- c("anio", "gedad", "sexo", "grupo_oms")
data_mort_prov |> 
  filter(anio != 2003) |> 
  mutate( gedad = factor(gedad, levels = c("Menor de 24", "25 a 69", "70 y mas"), ordered = TRUE),
          grupo_oms = if_else(
            grupo_oms == "Condiciones transmisibles, maternas, perinatales y nutricionales",
            "Cond. transmisibles, m,p,n",
            grupo_oms)
          ) |> 
  group_by_at(var_agg_summ) |> 
  summarise(
    mean = mean(rmxm),
    sd = sd(rmxm),
    lr = mean - sd,
    hr = mean + sd
  ) |> 
  ggplot(aes(anio, mean, colour = sexo))+
  geom_errorbar(aes(ymin = lr, ymax = hr), width = 1) +
  geom_line()+
  geom_point(size = 1.5)+
  scale_y_log10()+
  scale_color_brewer(palette = "Pastel2", direction = -1)+
  facet_wrap(~grupo_oms+gedad, scales= "free_y", ncol=3)+
  theme(
    legend.position = "top",
    axis.text.x = element_text(size = 7.5, vjust = .5, hjust = 1),
    strip.text = element_text(size = 7, color = "grey30", margin = margin()),
    strip.background = element_rect(color = "white")
  )+
  labs(
    y = "Log. Razon de Mortalidad x100.000 Media y DesvS.",
    x = "Años",
    title = "Evolucion de Mu y SD de la Razon de Mortalidad de las provincias",
    subtitle = "Media y SD en escala Log, en grupos de edad segun causa, por sexo")

2.6 Tabla de Rangos

Lo que se observa al analizar los valores extremos en la Razon de Mortalidad por trienios en las provincias, es que no se redujo la brecha o distancia entre los valores maximos y minimos de la serie, excepto en mujeres de 0 a 24 años por causas debidas a Enfermedades infecciosas, maternas y perinatales.

Al observa la evolucion del rango entre extremos, se observa ademas que los extremos altos se mantienen o reducen levemente, por lo que las reducciones en la brecha se explican por aumentos en los minimos.

2.6.1 Mujeres

Ver tabla
data_mort_prov |> 
  filter(anio != 2003) |> 
  mutate( gedad = factor(gedad, levels = c("Menor de 24", "25 a 69", "70 y mas"), ordered = TRUE),
          grupo_oms = if_else(
            grupo_oms == "Condiciones transmisibles, maternas, perinatales y nutricionales",
            "Cond. transmisibles, m,p,n",
            grupo_oms)
          ) |> 
  group_by_at(var_agg_summ) |> 
  summarise(
    mean = round(mean(rmxm),1),
    sd = round(sd(rmxm),2),
    cv = scales::percent(sd/mean, accuracy = .1),
    lr = mean - sd,
    hr = mean + sd
  ) |> 
  ungroup() |> 
  filter(sexo == "Mujer") |> 
  select(grupo_oms, gedad, anio, lr, mean, hr, cv, sd) |> 
  arrange(grupo_oms, gedad, anio) |> 
  kableExtra::kbl(caption = "Evolucion de la Razon de Mortalidad, media y desvio (Mujeres)") |> 
  kableExtra::kable_styling() |> 
  kableExtra::column_spec(1:2, bold = T) |> 
  kableExtra::collapse_rows(columns = 1:2, valign = "top") |> 
  kableExtra::footnote(general = "Elaboracion propia con datos de DEIS y OMS")
Evolucion de la Razon de Mortalidad, media y desvio (Mujeres)
grupo_oms gedad anio lr mean hr cv sd
Cond. transmisibles, m,p,n Menor de 24 2006 65.44 108.5 151.56 39.7% 43.06
2009 69.52 105.3 141.08 34.0% 35.78
2012 58.56 92.8 127.04 36.9% 34.24
2015 55.50 82.3 109.10 32.6% 26.80
2018 45.95 69.5 93.05 33.9% 23.55
2021 34.55 58.5 82.45 40.9% 23.95
25 a 69 2006 73.55 106.0 138.45 30.6% 32.45
2009 73.54 109.8 146.06 33.0% 36.26
2012 72.82 109.1 145.38 33.3% 36.28
2015 77.37 114.1 150.83 32.2% 36.73
2018 70.80 106.5 142.20 33.5% 35.70
2021 236.03 307.0 377.97 23.1% 70.97
70 y mas 2006 1817.58 2505.5 3193.42 27.5% 687.92
2009 1861.26 2527.5 3193.74 26.4% 666.24
2012 2053.42 2669.2 3284.98 23.1% 615.78
2015 2083.60 2864.5 3645.40 27.3% 780.90
2018 2168.10 2832.2 3496.30 23.4% 664.10
2021 3920.95 4705.9 5490.85 16.7% 784.95
Enfermedades mal definidas Menor de 24 2006 3.89 9.5 15.11 59.1% 5.61
2009 3.07 8.7 14.33 64.7% 5.63
2012 2.47 7.5 12.53 67.1% 5.03
2015 1.70 7.4 13.10 77.0% 5.70
2018 2.49 6.3 10.11 60.5% 3.81
2021 3.20 7.2 11.20 55.6% 4.00
25 a 69 2006 18.24 61.2 104.16 70.2% 42.96
2009 18.52 62.4 106.28 70.3% 43.88
2012 10.35 58.7 107.05 82.4% 48.35
2015 5.08 53.8 102.52 90.6% 48.72
2018 13.19 55.8 98.41 76.4% 42.61
2021 15.18 65.7 116.22 76.9% 50.52
70 y mas 2006 716.10 1747.4 2778.70 59.0% 1031.30
2009 600.55 1645.6 2690.65 63.5% 1045.05
2012 306.12 1484.5 2662.88 79.4% 1178.38
2015 291.67 1437.4 2583.13 79.7% 1145.73
2018 395.37 1498.7 2602.03 73.6% 1103.33
2021 424.69 1794.6 3164.51 76.3% 1369.91
Enfermedades no transmisibles Menor de 24 2006 82.74 97.5 112.26 15.1% 14.76
2009 76.18 93.5 110.82 18.5% 17.32
2012 70.28 87.8 105.32 20.0% 17.52
2015 67.57 87.5 107.43 22.8% 19.93
2018 64.47 79.8 95.13 19.2% 15.33
2021 48.20 64.2 80.20 24.9% 16.00
25 a 69 2006 713.23 802.4 891.57 11.1% 89.17
2009 700.80 794.5 888.20 11.8% 93.70
2012 685.13 778.9 872.67 12.0% 93.77
2015 678.73 774.5 870.27 12.4% 95.77
2018 659.31 750.3 841.29 12.1% 90.99
2021 634.03 728.4 822.77 13.0% 94.37
70 y mas 2006 11588.01 13196.7 14805.39 12.2% 1608.69
2009 10924.59 12546.7 14168.81 12.9% 1622.11
2012 10484.33 12206.3 13928.27 14.1% 1721.97
2015 10557.19 12166.8 13776.41 13.2% 1609.61
2018 10272.82 11604.5 12936.18 11.5% 1331.68
2021 9855.08 11385.0 12914.92 13.4% 1529.92
Lesiones Menor de 24 2006 36.75 48.8 60.85 24.7% 12.05
2009 37.87 48.2 58.53 21.4% 10.33
2012 36.36 48.8 61.24 25.5% 12.44
2015 31.45 43.2 54.95 27.2% 11.75
2018 29.10 41.1 53.10 29.2% 12.00
2021 24.49 34.5 44.51 29.0% 10.01
25 a 69 2006 54.48 66.2 77.92 17.7% 11.72
2009 50.35 64.9 79.45 22.4% 14.55
2012 52.39 64.2 76.01 18.4% 11.81
2015 48.00 57.3 66.60 16.2% 9.30
2018 44.04 54.0 63.96 18.4% 9.96
2021 32.77 45.2 57.63 27.5% 12.43
70 y mas 2006 221.33 391.9 562.47 43.5% 170.57
2009 175.05 334.8 494.55 47.7% 159.75
2012 160.78 299.8 438.82 46.4% 139.02
2015 185.63 303.5 421.37 38.8% 117.87
2018 162.63 290.5 418.37 44.0% 127.87
2021 127.78 267.0 406.22 52.1% 139.22
Note:
Elaboracion propia con datos de DEIS y OMS

2.6.2 Varones

Ver tabla
data_mort_prov |> 
  filter(anio != 2003) |> 
  mutate( gedad = factor(gedad, levels = c("Menor de 24", "25 a 69", "70 y mas"), ordered = TRUE),
          grupo_oms = if_else(
            grupo_oms == "Condiciones transmisibles, maternas, perinatales y nutricionales",
            "Cond. transmisibles, m,p,n",
            grupo_oms)
          ) |> 
  group_by_at(var_agg_summ) |> 
  summarise(
    mean = round(mean(rmxm),1),
    sd = round(sd(rmxm),2),
    cv = scales::percent(sd/mean, accuracy = .1),
    lr = mean - sd,
    hr = mean + sd
  ) |> 
  ungroup() |> 
  filter(sexo == "Varón") |> 
  select(grupo_oms, gedad, anio, lr, mean, hr, cv, sd) |> 
  arrange(grupo_oms, gedad, anio) |> 
  kableExtra::kbl(caption = "Evolucion de la Razon de Mortalidad, media y desvio (Varón)") |> 
  kableExtra::kable_styling() |> 
  kableExtra::column_spec(1:2, bold = T) |> 
  kableExtra::collapse_rows(columns = 1:2, valign = "top") |> 
  kableExtra::footnote(general = "Elaboracion propia con datos de DEIS y OMS")
Evolucion de la Razon de Mortalidad, media y desvio (Varón)
grupo_oms gedad anio lr mean hr cv sd
Cond. transmisibles, m,p,n Menor de 24 2006 91.28 134.9 178.52 32.3% 43.62
2009 88.80 128.8 168.80 31.1% 40.00
2012 75.19 111.5 147.81 32.6% 36.31
2015 77.61 105.5 133.39 26.4% 27.89
2018 57.29 86.1 114.91 33.5% 28.81
2021 42.59 71.9 101.21 40.8% 29.31
25 a 69 2006 105.59 161.8 218.01 34.7% 56.21
2009 121.82 176.1 230.38 30.8% 54.28
2012 123.77 176.9 230.03 30.0% 53.13
2015 128.94 179.4 229.86 28.1% 50.46
2018 114.90 167.8 220.70 31.5% 52.90
2021 436.78 544.6 652.42 19.8% 107.82
70 y mas 2006 2227.89 3071.6 3915.31 27.5% 843.71
2009 2266.45 3066.8 3867.15 26.1% 800.35
2012 2499.14 3249.4 3999.66 23.1% 750.26
2015 2630.82 3497.9 4364.98 24.8% 867.08
2018 2519.29 3385.9 4252.51 25.6% 866.61
2021 5515.54 6744.4 7973.26 18.2% 1228.86
Enfermedades mal definidas Menor de 24 2006 4.11 12.8 21.49 67.9% 8.69
2009 4.05 12.3 20.55 67.1% 8.25
2012 2.63 11.3 19.97 76.7% 8.67
2015 2.15 9.6 17.05 77.6% 7.45
2018 4.27 10.5 16.73 59.3% 6.23
2021 2.98 10.0 17.02 70.2% 7.02
25 a 69 2006 52.65 146.2 239.75 64.0% 93.55
2009 41.71 140.5 239.29 70.3% 98.79
2012 21.14 127.0 232.86 83.4% 105.86
2015 12.74 119.0 225.26 89.3% 106.26
2018 24.26 119.7 215.14 79.7% 95.44
2021 34.18 138.3 242.42 75.3% 104.12
70 y mas 2006 870.33 2151.8 3433.27 59.6% 1281.47
2009 675.66 2052.8 3429.94 67.1% 1377.14
2012 343.07 1765.5 3187.93 80.6% 1422.43
2015 249.38 1704.8 3160.22 85.4% 1455.42
2018 414.42 1747.7 3080.98 76.3% 1333.28
2021 444.02 2092.7 3741.38 78.8% 1648.68
Enfermedades no transmisibles Menor de 24 2006 95.01 114.3 133.59 16.9% 19.29
2009 96.58 114.6 132.62 15.7% 18.02
2012 88.78 108.7 128.62 18.3% 19.92
2015 89.34 108.8 128.26 17.9% 19.46
2018 75.01 94.1 113.19 20.3% 19.09
2021 63.05 79.8 96.55 21.0% 16.75
25 a 69 2006 1163.39 1352.4 1541.41 14.0% 189.01
2009 1165.04 1305.2 1445.36 10.7% 140.16
2012 1131.94 1273.7 1415.46 11.1% 141.76
2015 1105.06 1257.6 1410.14 12.1% 152.54
2018 1055.37 1191.5 1327.63 11.4% 136.13
2021 966.51 1119.4 1272.29 13.7% 152.89
70 y mas 2006 16035.43 18480.6 20925.77 13.2% 2445.17
2009 15635.61 17468.3 19300.99 10.5% 1832.69
2012 14875.67 16751.2 18626.73 11.2% 1875.53
2015 14477.25 16471.9 18466.55 12.1% 1994.65
2018 13821.36 15568.1 17314.84 11.2% 1746.74
2021 12766.72 14821.5 16876.28 13.9% 2054.78
Lesiones Menor de 24 2006 117.47 136.6 155.73 14.0% 19.13
2009 118.81 140.9 162.99 15.7% 22.09
2012 128.42 157.1 185.78 18.3% 28.68
2015 116.21 146.6 176.99 20.7% 30.39
2018 97.21 131.7 166.19 26.2% 34.49
2021 79.33 104.6 129.87 24.2% 25.27
25 a 69 2006 229.96 277.6 325.24 17.2% 47.64
2009 235.98 279.7 323.42 15.6% 43.72
2012 230.42 284.0 337.58 18.9% 53.58
2015 206.77 255.9 305.03 19.2% 49.13
2018 191.01 235.3 279.59 18.8% 44.29
2021 161.10 204.5 247.90 21.2% 43.40
70 y mas 2006 514.11 759.1 1004.09 32.3% 244.99
2009 455.01 639.8 824.59 28.9% 184.79
2012 416.91 578.0 739.09 27.9% 161.09
2015 372.93 528.0 683.07 29.4% 155.07
2018 367.60 504.7 641.80 27.2% 137.10
2021 292.70 418.2 543.70 30.0% 125.50
Note:
Elaboracion propia con datos de DEIS y OMS

2.7 Comparacion

Al observar el rango se puede determinar que es necesario a los fines de comparar, determinar si la diferencia es estadisticamente significativa. Se puede utilizar para ello un rango determinado por un intervalo de confianza de 95% y en la comparacion punta a punta, determinar el ranking de provincias, y si entre estas y en los extremos de la serie, hubo variacion.
Si los segmentos (la linea que atraviesa el punto) se solapan, puede decirse que la razon de mortalidad se ha mantenido. Asi tambien que si la medicion puntual de la razon entre dos provincias es diferente, pero la medida de ambas “cae” dentro del rango de la otra, podria decirse que no existe una diferencia significativa.

Esta manera de observar los valores tiene larga tradicion es estudios en el campo de la salud, pero en este caso es util para matizar comparaciones apresuradas, sobre todo lidiando con poblaciones pequeñas y razones (o tasas) con valores extremos.

Se compara por sexos

2.7.1 Varones

# ggplot(aes(reorder_within(name_simp, cuart_g, list(sexo, gedad, grupo_oms)), rmxm, fill = cuart_g, label=casos))+
#   scale_x_reordered() +
data_mort_prov |>
  filter(sexo == "Varón", anio %in% c(2006, 2018)) |> 
  ggplot()+
  # geom_point(aes(name_simp, rmxm))+
  geom_linerange(aes(reorder_within(name_simp, rmxm, list(sexo, gedad, grupo_oms)), rmxm, ymin = ici_rmxm, ymax = ics_rmxm, colour = as.character(anio)))+
  geom_point(aes(reorder_within(name_simp, rmxm, list(sexo, gedad, grupo_oms)), rmxm, colour = as.character(anio)))+
  scale_color_manual(values = c("grey80", "black"), labels = c("2005-2007", "2017-2019"))+
  scale_x_reordered()+
  facet_wrap(~gedad+grupo_oms, scales="free", ncol=4)+
  theme(
    strip.text = element_text(size = 8, margin = margin()),
    axis.text.y = element_text(size = 8, colour = "grey20"),
    panel.background = element_rect(),
    axis.text.x = element_text(angle = 45, size=7.5, colour = "grey20", hjust = 1)
  )+
  coord_flip()+
  labs(
    title = "Mortalidad especifica segun edad y causa de varones por provincias",
    subtitle = "punta-a-punta",
    y="Razon de mortalidad x100.000 IC 95%",
    x="",
    colour ="Trienio"
  )

2.7.2 Mujeres

data_mort_prov |>
  filter(sexo == "Mujer", anio %in% c(2006, 2018)) |> 
  ggplot()+
  # geom_point(aes(name_simp, rmxm))+
  geom_linerange(aes(reorder_within(name_simp, rmxm, list(sexo, gedad, grupo_oms)), rmxm, ymin = ici_rmxm, ymax = ics_rmxm, colour = as.character(anio)))+
  geom_point(aes(reorder_within(name_simp, rmxm, list(sexo, gedad, grupo_oms)), rmxm, colour = as.character(anio)))+
  scale_color_manual(values = c("grey80", "black"), labels = c("2005-2007", "2017-2019"))+
  scale_x_reordered()+
  facet_wrap(~gedad+grupo_oms, scales="free", ncol=4)+
  theme(
    strip.text = element_text(size = 8, margin = margin()),
    axis.text.y = element_text(size = 8, colour = "grey20"),
    panel.background = element_rect(),
    axis.text.x = element_text(angle = 45, size=7.5, colour = "grey20", hjust = 1)
  )+
  coord_flip()+
  labs(
    title = "Mortalidad especifica segun edad y causa de mujeres por provincias",
    subtitle = "punta-a-punta",
    y="Razon de mortalidad x100.000 IC 95%",
    x="",
    colour ="Trienio"
  )

2.8 Clasificacion por tamaño

Se analiza la Razon de mortalidad por trienio, segun tamaño de la poblacion de las provincias. Este analisis mostraria cómo los valores extremos suceden en las poblaciones mas pequeñas, mientras las poblaciones mas grendes muestran normalidad tanto en los valores entre ellas como a lo largo de la serie; debiendo ser explicadas las variaciones a la pauta.

# Union pob mort
data_mort_prov |> 
  left_join(data_pob_prov_size, by=c("geocodigo_prov")) |> 
  select(-label.y) |> 
  rename(pob.tot = pob.y, pob = pob.x, label = label.x)-> data_mort_prov

head(data_mort_prov)
## # A tibble: 6 × 17
##    anio Años   gedad sexo  geocodigo_prov grupo_oms casos region label name_simp
##   <dbl> <chr>  <ord> <chr> <chr>          <chr>     <int> <chr>  <chr> <chr>    
## 1  2003 2001-… Meno… Mujer 10             Condicio…   207 NOA    Cata… Catamarca
## 2  2003 2001-… Meno… Mujer 10             Enfermed…    23 NOA    Cata… Catamarca
## 3  2003 2001-… Meno… Mujer 10             Enfermed…   136 NOA    Cata… Catamarca
## 4  2003 2001-… Meno… Mujer 10             Lesiones     54 NOA    Cata… Catamarca
## 5  2003 2001-… Meno… Mujer 14             Condicio…   797 CENTRO Córd… Córdoba  
## 6  2003 2001-… Meno… Mujer 14             Enfermed…   142 CENTRO Córd… Córdoba  
## # ℹ 7 more variables: pob <dbl>, rm <dbl>, rmxm <dbl>, ici_rmxm <dbl>,
## #   ics_rmxm <dbl>, pob.tot <dbl>, cuartil <chr>
unique(data_mort_prov$grupo_oms)
## [1] "Condiciones transmisibles, maternas, perinatales y nutricionales"
## [2] "Enfermedades mal definidas"                                      
## [3] "Enfermedades no transmisibles"                                   
## [4] "Lesiones"

2.9 En adelante

En otro capitulo, no incluido aqui, se estimo la evolucion de las razones por edad, sexo y causa de las provincias, a partir de metodo lineal, y Mandel-Kendal